論文の概要: Towards Graph-Aware Diffusion Modeling for Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2311.08744v1
• Date: Wed, 15 Nov 2023 07:25:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-16 17:02:13.933410
• Title: Towards Graph-Aware Diffusion Modeling for Collaborative Filtering
• Title（参考訳）: 協調フィルタリングのためのグラフ認識拡散モデリングに向けて
• Authors: Yunqin Zhu, Chao Wang and Hui Xiong
• Abstract要約: 協調フィルタリングのための条件付き拡散フレームワークを導入し,その履歴的相互作用によって導かれるユーザの隠れた好みを反復的に再構築する。 本モデルでは,1つのデータセットに対して高いマージンで最先端の手法を上回り,他のデータセットに対して競争結果を得る。
• 参考スコア（独自算出の注目度）: 21.72571853778829
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recovering masked feedback with neural models is a popular paradigm in recommender systems. Seeing the success of diffusion models in solving ill-posed inverse problems, we introduce a conditional diffusion framework for collaborative filtering that iteratively reconstructs a user's hidden preferences guided by its historical interactions. To better align with the intrinsic characteristics of implicit feedback data, we implement forward diffusion by applying synthetic smoothing filters to interaction signals on an item-item graph. The resulting reverse diffusion can be interpreted as a personalized process that gradually refines preference scores. Through graph Fourier transform, we equivalently characterize this model as an anisotropic Gaussian diffusion in the graph spectral domain, establishing both forward and reverse formulations. Our model outperforms state-of-the-art methods by a large margin on one dataset and yields competitive results on the others.
• Abstract（参考訳）: ニューラルモデルによるマスクフィードバックの回復は、レコメンダシステムで人気のあるパラダイムである。 逆問題を解くための拡散モデルの成功を見て,協調フィルタリングのための条件付き拡散フレームワークを紹介し,その歴史的相互作用を導いたユーザの隠れた好みを反復的に再構築する。 暗黙的フィードバックデータの固有特性をよりよく一致させるため,アイテム・アイテムグラフ上の対話信号に合成平滑化フィルタを適用することにより,前方拡散を実現する。 結果として生じる逆拡散は、選好スコアを徐々に洗練するパーソナライズされたプロセスと解釈できる。 グラフフーリエ変換を通じて、このモデルをグラフスペクトル領域における異方性ガウス拡散として同等に特徴づけ、前方および後方の定式化を確立する。 本モデルでは,1つのデータセットに対して高いマージンで最先端の手法を上回り,他のデータセットに対して競争結果を得る。

関連論文リスト

• DeFoG: Discrete Flow Matching for Graph Generation [45.037260759871124]
  グラフ生成のための離散フローマッチングを用いた新しいフレームワークであるDeFoGを提案する。 DeFoGはフローベースのアプローチを採用しており、効率的な線形雑音化プロセスと柔軟な雑音化プロセスを備えている。 我々は,DeFoGが合成および分子データセット上で最先端の結果を得ることを示す。
  論文  参考訳（メタデータ） (2024-10-05T18:52:54Z)
• Sub-graph Based Diffusion Model for Link Prediction [43.15741675617231]
  拡散確率モデル(Denoising Diffusion Probabilistic Models, DDPM)は、例外的な品質を持つ同時代の生成モデルである。 本研究では,ベイズ式による確率推定過程を分解するために,専用設計を用いたリンク予測のための新しい生成モデルを構築した。 提案手法は,(1)再トレーニングを伴わないデータセット間の転送可能性,(2)限られたトレーニングデータに対する有望な一般化,(3)グラフ敵攻撃に対する堅牢性など,多くの利点を示す。
  論文  参考訳（メタデータ） (2024-09-13T02:23:55Z)
• Collaborative Filtering Based on Diffusion Models: Unveiling the Potential of High-Order Connectivity [10.683635786183894]
  CF-Diffは新しい拡散モデルに基づく協調フィルタリング手法である。 マルチホップの隣人と一緒に、協調的な信号を完全に活用することができる。 最高の競争相手に比べて7.29%も上昇している。
  論文  参考訳（メタデータ） (2024-04-22T14:49:46Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• Removing Structured Noise with Diffusion Models [14.187153638386379]
  拡散モデルによる後方サンプリングの強力なパラダイムは、リッチで構造化されたノイズモデルを含むように拡張可能であることを示す。 構成雑音による様々な逆問題に対して高い性能向上を示し、競争的ベースラインよりも優れた性能を示す。 これにより、非ガウス測度モデルの文脈における逆問題に対する拡散モデリングの新しい機会と関連する実践的応用が開かれる。
  論文  参考訳（メタデータ） (2023-01-20T23:42:25Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)
• DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
  DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。 分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。 また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
  論文  参考訳（メタデータ） (2022-09-29T12:55:03Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• 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。