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
- Training Class-Imbalanced Diffusion Model Via Overlap Optimization [55.96820607533968]
実世界のデータセットで訓練された拡散モデルは、尾クラスの忠実度が劣ることが多い。
拡散モデルを含む深い生成モデルは、豊富な訓練画像を持つクラスに偏りがある。
本研究では,異なるクラスに対する合成画像の分布の重複を最小限に抑えるために,コントラスト学習に基づく手法を提案する。
論文 参考訳(メタデータ) (2024-02-16T16:47:21Z) - Improving Diffusion Models for Inverse Problems Using Optimal Posterior
Covariance [54.70569748637465]
最近の拡散モデルは、ノイズのある線形逆問題に対する有望なゼロショット解を提供する。
既存のゼロショット法に対する最初の統一的解釈を提案する。
近年の手法は, 等方性ガウス近似を導出可能な後部分布に置き換えることと等価であることを示す。
論文 参考訳(メタデータ) (2024-02-03T13:35:39Z) - Generative Diffusion From An Action Principle [0.0]
スコアマッチングは、物理でよく用いられるようなアクション原理から導出できることを示す。
この洞察を用いて、異なる拡散モデルのクラス間の関係を実証する。
論文 参考訳(メタデータ) (2023-10-06T18:00:00Z) - 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) - A Variational Perspective on Solving Inverse Problems with Diffusion
Models [101.831766524264]
逆タスクは、データ上の後続分布を推測するものとして定式化することができる。
しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。
そこで我々は,真の後続分布を近似する設計手法を提案する。
論文 参考訳(メタデータ) (2023-05-07T23:00:47Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳(メタデータ) (2023-04-10T17:54:38Z) - 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) - From Denoising Diffusions to Denoising Markov Models [38.33676858989955]
デノイング拡散は、顕著な経験的性能を示す最先端の生成モデルである。
本稿では、この手法を広い範囲に一般化し、スコアマッチングのオリジナル拡張につながる統一フレームワークを提案する。
論文 参考訳(メタデータ) (2022-11-07T14:34:27Z) - A Variational Perspective on Diffusion-Based Generative Models and Score
Matching [8.93483643820767]
連続時間生成拡散の確率推定のための変分フレームワークを導出する。
本研究は,プラグイン逆SDEの可能性の低い境界を最大化することと,スコアマッチング損失の最小化が等価であることを示す。
論文 参考訳(メタデータ) (2021-06-05T05:50:36Z)
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。