論文の概要: Pure Spectral Graph Embeddings: Reinterpreting Graph Convolution for Top-N Recommendation

• arxiv url: http://arxiv.org/abs/2305.18374v1
• Date: Sun, 28 May 2023 05:34:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 22:02:54.780843
• Title: Pure Spectral Graph Embeddings: Reinterpreting Graph Convolution for Top-N Recommendation
• Title（参考訳）: 純スペクトルグラフ埋め込み:Top-Nレコメンデーションのためのグラフ畳み込みの解釈
• Authors: Edoardo D'Amico, Aonghus Lawlor, Neil Hurley
• Abstract要約: 本稿では,ユーザおよび項目表現学習プロセスにおけるグラフ畳み込みの効果について検討する。 本稿では,固有ベクトルを直接利用して,グラフ畳み込みによって得られる解をエミュレートする手法を提案する。
• 参考スコア（独自算出の注目度）: 1.8047694351309205
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The use of graph convolution in the development of recommender system algorithms has recently achieved state-of-the-art results in the collaborative filtering task (CF). While it has been demonstrated that the graph convolution operation is connected to a filtering operation on the graph spectral domain, the theoretical rationale for why this leads to higher performance on the collaborative filtering problem remains unknown. The presented work makes two contributions. First, we investigate the effect of using graph convolution throughout the user and item representation learning processes, demonstrating how the latent features learned are pushed from the filtering operation into the subspace spanned by the eigenvectors associated with the highest eigenvalues of the normalised adjacency matrix, and how vectors lying on this subspace are the optimal solutions for an objective function related to the sum of the prediction function over the training data. Then, we present an approach that directly leverages the eigenvectors to emulate the solution obtained through graph convolution, eliminating the requirement for a time-consuming gradient descent training procedure while also delivering higher performance on three real-world datasets.
• Abstract（参考訳）: レコメンダシステムアルゴリズムの開発におけるグラフ畳み込みの利用は、最近、コラボレーティブフィルタリングタスク(cf)において最先端の結果を達成している。 グラフ畳み込み演算がグラフスペクトル領域のフィルタリング操作に結びついていることが証明されているが、なぜこれが協調フィルタリング問題により高い性能をもたらすのか理論的根拠は分かっていない。 提示された作品には2つの貢献がある。 まず,ユーザおよびアイテム表現学習プロセス全体におけるグラフ畳み込みの利用の効果について検討し,正規化随伴行列の最大固有値に対応する固有ベクトルが伝搬する部分空間に対して,フィルタリング操作から学習した潜在機能がどのようにプッシュされるか,および,この部分空間に横たわるベクトルがトレーニングデータ上の予測関数の総和に関連する目的関数の最適解であるかを示す。 次に、グラフ畳み込みによって得られる解をエミュレートするために固有ベクトルを直接利用し、時間を要する勾配降下訓練手順の必要性をなくし、3つの実世界のデータセットで高いパフォーマンスを提供するアプローチを提案する。

関連論文リスト

• Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
  グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。 データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。 AGL-SC(Amplify Graph Learning framework)を提案する。
  論文  参考訳（メタデータ） (2024-06-27T08:26:20Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Learning Optimal Graph Filters for Clustering of Attributed Graphs [20.810096547938166]
  多くの現実世界のシステムは、システム内の異なるエンティティがノードによって表現され、エッジによって相互作用するグラフとして表現することができる。 グラフィカルな構造を持つ大規模なデータセットを研究する上で重要なタスクはグラフクラスタリングである。 本稿では,FIR(Finite Impulse Response)およびARMA(Autoregressive moving Average)グラフフィルタのパラメータをクラスタリングに最適化したグラフ信号処理手法を提案する。
  論文  参考訳（メタデータ） (2022-11-09T01:49:23Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Adaptive Filters in Graph Convolutional Neural Networks [0.0]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データ処理の可能性から注目されている。 本稿では,グラフ上で空間畳み込みを行う手法を提案する入力に対して,ConvGNNの振る舞いを適応させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-21T14:36:39Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for Large Eigengaps of Dense Graphs and Hypergraphs [0.0]
  Graph Convolutional Networks (GCNs) は、グラフベースのデータセットで半教師付き分類を行うツールとして成功している。 本稿では,三部フィルタ空間が高密度グラフを対象とする新しいGCN変種を提案する。
  論文  参考訳（メタデータ） (2020-08-03T08:48:41Z)
• Adaptive Graph Encoder for Attributed Graph Embedding [36.06427854846497]
  分散グラフ埋め込みは、グラフトポロジとノード特徴からベクトル表現を学ぶ。 本稿では,新しい属性グラフ埋め込みフレームワークであるAdaptive Graph(AGE)を提案する。 4つの公開ベンチマークデータセットを用いてノードクラスタリングとリンク予測タスクのAGEを検証する実験を行った。
  論文  参考訳（メタデータ） (2020-07-03T10:20:34Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。