論文の概要: Graph Neural Ordinary Differential Equations-based method for Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2311.12329v1
• Date: Tue, 21 Nov 2023 03:42:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 02:07:44.923991
• Title: Graph Neural Ordinary Differential Equations-based method for Collaborative Filtering
• Title（参考訳）: グラフニューラル常微分方程式に基づく協調フィルタリング法
• Authors: Ke Xu, Yuanjie Zhu, Weizhi Zhang, Philip S. Yu
• Abstract要約: グラフニューラル正規微分方程式を用いた協調フィルタリング法(GODE-CF)を提案する。 本手法は,GCN層1つまたは2つの層が取得した情報を利用して最終埋め込みを推定する。 提案したGODE-CFモデルは,従来のGCNモデルよりもいくつかの利点があることを示す。
• 参考スコア（独自算出の注目度）: 40.39806741673175
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Graph Convolution Networks (GCNs) are widely considered state-of-the-art for collaborative filtering. Although several GCN-based methods have been proposed and achieved state-of-the-art performance in various tasks, they can be computationally expensive and time-consuming to train if too many layers are created. However, since the linear GCN model can be interpreted as a differential equation, it is possible to transfer it to an ODE problem. This inspired us to address the computational limitations of GCN-based models by designing a simple and efficient NODE-based model that can skip some GCN layers to reach the final state, thus avoiding the need to create many layers. In this work, we propose a Graph Neural Ordinary Differential Equation-based method for Collaborative Filtering (GODE-CF). This method estimates the final embedding by utilizing the information captured by one or two GCN layers. To validate our approach, we conducted experiments on multiple datasets. The results demonstrate that our model outperforms competitive baselines, including GCN-based models and other state-of-the-art CF methods. Notably, our proposed GODE-CF model has several advantages over traditional GCN-based models. It is simple, efficient, and has a fast training time, making it a practical choice for real-world situations.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)は、協調フィルタリングの最先端と見なされている。 いくつかのGCNベースの手法が提案され、様々なタスクで最先端のパフォーマンスを達成したが、レイヤーが多すぎると計算コストがかかり、訓練に時間がかかる。 しかし、線型GCNモデルは微分方程式として解釈できるため、ODE問題に変換することができる。 この結果、GCNベースのモデルの計算制限に対処するために、いくつかのGCN層をスキップして最終状態に到達できるシンプルで効率的なNODEベースのモデルを設計しました。 本稿では,協調フィルタリング(GODE-CF)のためのグラフニューラル正規微分方程式法を提案する。 本手法は,GCN層が取得した情報を利用して最終埋め込みを推定する。 提案手法を検証するために,複数のデータセットの実験を行った。 その結果,GCNモデルや最先端CF手法など,競争ベースラインよりも優れた結果が得られた。 特に,提案したGODE-CFモデルは,従来のGCNモデルよりもいくつかの利点がある。 シンプルで効率的で、トレーニング時間も速いので、現実の状況では実践的な選択になります。

関連論文リスト

• First-order PDES for Graph Neural Networks: Advection And Burgers Equation Models [1.4174475093445238]
  本稿では,2つの一階偏微分方程式(PDE)を組み込んだ新しいグラフニューラルネットワークモデルを提案する。 実験結果から,高次PDEモデルと同等の結果を得るための新しいPDEモデルの能力を強調し,最大64層までのオーバースムーシング問題を修正した。 結果は,GNNの適応性と汎用性を強調し,従来の手法と同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-04-03T21:47:02Z)
• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• Deep Manifold Learning with Graph Mining [80.84145791017968]
  グラフマイニングのための非段階的決定層を持つ新しいグラフ深層モデルを提案する。 提案モデルでは,現行モデルと比較して最先端性能を実現している。
  論文  参考訳（メタデータ） (2022-07-18T04:34:08Z)
• LT-OCF: Learnable-Time ODE-based Collaborative Filtering [4.5100819863628825]
  協調フィルタリング(CF)は、リコメンデータシステムの長年の問題である。 学習可能時間ODE-based Collaborative Filtering (LT-OCF)を提案する。 我々の手法は既存の方法よりも常に精度が高い。
  論文  参考訳（メタデータ） (2021-08-08T12:44:53Z)
• User Embedding based Neighborhood Aggregation Method for Inductive Recommendation [0.48598200320383667]
  我々は,ユーザとアイテムの潜在機能(組込み)を推薦設定で学習する問題を考える。 グラフ畳み込みネットワーク(例:LightGCN)を用いた最近の手法は最先端の性能を達成する。 協調フィルタCF-GCNのためのグラフ畳み込みネットワークモデリング手法を提案する。
  論文  参考訳（メタデータ） (2021-02-15T14:30:01Z)
• Simple and Deep Graph Convolutional Networks [63.76221532439285]
  グラフ畳み込みネットワーク(GCN)は、グラフ構造化データに対する強力なディープラーニングアプローチである。 その成功にもかかわらず、現在のGCNモデルは、エムの過度に滑らかな問題のため、ほとんどが浅くなっている。 本稿では,2つの単純かつ効果的な手法を用いて,バニラGCNモデルを拡張したGCNIIを提案する。
  論文  参考訳（メタデータ） (2020-07-04T16:18:06Z)
• A Robust Hierarchical Graph Convolutional Network Model for Collaborative Filtering [0.0]
  グラフ畳み込みネットワーク(GCN)は大きな成功を収め、レコメンダシステムを含む様々な分野に適用されてきた。 GCNは依然として、トレーニングの困難、過剰なスムーシング、敵の攻撃に対する脆弱性など、多くの問題に悩まされている。
  論文  参考訳（メタデータ） (2020-04-30T12:50:39Z)
• LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation [100.76229017056181]
  Graph Convolution Network (GCN)は、協調フィルタリングのための新しい最先端技術となった。 本研究は,GCNの設計を簡略化し,より簡潔かつ適切なレコメンデーションを実現することを目的としている。 我々は,光GCNと呼ばれる新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-02-06T06:53:42Z)
• 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。