Fugu-MT 論文翻訳(概要): LightGCN: Evaluated and Enhanced

論文の概要: LightGCN: Evaluated and Enhanced

arxiv url: http://arxiv.org/abs/2312.16183v1
Date: Sun, 17 Dec 2023 15:18:18 GMT
ステータス: 処理完了
システム内更新日: 2023-12-31 03:00:10.891161
Title: LightGCN: Evaluated and Enhanced
Title（参考訳）: LightGCN: 評価と拡張
Authors: Milena Kapralova, Luca Pantea and Andrei Blahovici
Abstract要約: LightGCNは埋め込みの線形伝播を可能にし、性能を向上させる。元の結果を再現し、多様なデータセットやメトリクスに対するLightGCNの堅牢性を評価し、LightGCNにおける信号伝搬の増大としてグラフ拡散を探索する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper analyses LightGCN in the context of graph recommendation algorithms. Despite the initial design of Graph Convolutional Networks for graph classification, the non-linear operations are not always essential. LightGCN enables linear propagation of embeddings, enhancing performance. We reproduce the original findings, assess LightGCN's robustness on diverse datasets and metrics, and explore Graph Diffusion as an augmentation of signal propagation in LightGCN.
Abstract（参考訳）: 本稿では,グラフレコメンデーションアルゴリズムを用いてLightGCNを解析する。グラフ分類のためのグラフ畳み込みネットワークの初期設計にもかかわらず、非線形演算は必ずしも必須ではない。 LightGCNは埋め込みの線形伝播を可能にし、性能を向上させる。元の結果を再現し、多様なデータセットやメトリクスに対するLightGCNの堅牢性を評価し、LightGCNにおける信号伝搬の増大としてグラフ拡散を探索する。

関連論文リスト

L^2GC:Lorentzian Linear Graph Convolutional Networks for Node Classification [12.69417276887153]
ローレンツ線形GCNの新しいフレームワークを提案する。グラフノードの学習した特徴を双曲空間にマッピングする。次に、ロレンツ線形特徴変換を行い、基礎となる木のようなデータ構造をキャプチャする。
論文参考訳（メタデータ） (2024-03-10T02:16:13Z)
Nonlinear Correct and Smooth for Semi-Supervised Learning [1.622641093702668]
グラフベースの半教師付き学習(GSSL)は様々なアプリケーションで成功している。非線型表現と高次表現を組み込むことで、既存の後処理アプローチを改善するCorrect and Smooth (NLCS)を提案する。
論文参考訳（メタデータ） (2023-10-09T14:33:32Z)
SStaGCN: Simplified stacking based graph convolutional networks [6.742080381542375]
グラフ畳み込みネットワーク(GCN)は、様々なグラフ構造データ学習タスクにおいて広く研究されている強力なモデルである。本稿では, SStaGCN (Simplified stacking based GCN) と呼ばれる新しいGCNを提案する。 SStaGCNはGCNの過密問題を効果的に軽減できることを示す。
論文参考訳（メタデータ） (2021-11-16T05:00:08Z)
Dissecting the Diffusion Process in Linear Graph Convolutional Networks [71.30132908130581]
近年、グラフ畳み込みネットワーク(GCN)が注目を集めています。最近の研究は、線形GCNが元の非線形GCNに匹敵する性能が得られることを示している。 DGC(Decoupled Graph Convolution)を提案し,端末時間と機能伝播ステップを分離する。
論文参考訳（メタデータ） (2021-02-22T02:45:59Z)
Bi-GCN: Binary Graph Convolutional Network [57.733849700089955]
ネットワークパラメータと入力ノードの特徴を二項化するバイナリグラフ畳み込みネットワーク(Bi-GCN)を提案する。我々のBi-GCNは、ネットワークパラメータと入力データの両方で平均30倍のメモリ消費を削減でき、推論速度を平均47倍に加速できる。
論文参考訳（メタデータ） (2020-10-15T07:26:23Z)
Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文参考訳（メタデータ） (2020-10-06T01:20:27Z)
Iterative Deep Graph Learning for Graph Neural Networks: Better and Robust Node Embeddings [53.58077686470096]
グラフ構造とグラフ埋め込みを協調的かつ反復的に学習するための、エンドツーエンドのグラフ学習フレームワーク、すなわち、IDGL(Iterative Deep Graph Learning)を提案する。実験の結果,提案したIDGLモデルは,最先端のベースラインを一貫して上回る,あるいは一致させることができることがわかった。
論文参考訳（メタデータ） (2020-06-21T19:49:15Z)
Knowledge Embedding Based Graph Convolutional Network [35.35776808660919]
本稿では,知識埋め込みに基づくグラフ畳み込みネットワーク(KE-GCN)という新しいフレームワークを提案する。 KE-GCNはグラフベースの信念伝播におけるグラフ畳み込みネットワーク(GCN)のパワーと高度な知識埋め込み手法の強みを組み合わせたものである。理論的解析により、KE-GCNはいくつかのよく知られたGCN法のエレガントな統一を具体例として示している。
論文参考訳（メタデータ） (2020-06-12T17:12:51Z)
Directed Graph Convolutional Network [15.879411956536885]
スペクトルベースのグラフ畳み込みを1階と2階の近接を利用して有向グラフに拡張する。 DGCNと呼ばれる新しいGCNモデルは、有向グラフ上で表現を学ぶように設計されている。
論文参考訳（メタデータ） (2020-04-29T06:19:10Z)
Graphon Pooling in Graph Neural Networks [169.09536309161314]
グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
論文参考訳（メタデータ） (2020-03-03T21:04:20Z)
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)

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。