Fugu-MT 論文翻訳(概要): Graph Augmentation for Recommendation

論文の概要: Graph Augmentation for Recommendation

arxiv url: http://arxiv.org/abs/2403.16656v1
Date: Mon, 25 Mar 2024 11:47:53 GMT
ステータス: 処理完了
システム内更新日: 2024-03-26 14:58:36.590811
Title: Graph Augmentation for Recommendation
Title（参考訳）: レコメンデーションのためのグラフ強化
Authors: Qianru Zhang, Lianghao Xia, Xuheng Cai, Siuming Yiu, Chao Huang, Christian S. Jensen,
Abstract要約: コントラスト学習によるグラフ強化はレコメンデーションシステム分野において大きな注目を集めている。本稿では,自己教師付き信号を生成し,レコメンダシステムを強化したGraphAugというフレームワークを提案する。 GraphAugフレームワークはグラフ情報ボトルネック(GIB)の正規化拡張パラダイムを取り入れており、情報的自己超越情報を自動で抽出する。
参考スコア（独自算出の注目度）: 30.77695833436189
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph augmentation with contrastive learning has gained significant attention in the field of recommendation systems due to its ability to learn expressive user representations, even when labeled data is limited. However, directly applying existing GCL models to real-world recommendation environments poses challenges. There are two primary issues to address. Firstly, the lack of consideration for data noise in contrastive learning can result in noisy self-supervised signals, leading to degraded performance. Secondly, many existing GCL approaches rely on graph neural network (GNN) architectures, which can suffer from over-smoothing problems due to non-adaptive message passing. To address these challenges, we propose a principled framework called GraphAug. This framework introduces a robust data augmentor that generates denoised self-supervised signals, enhancing recommender systems. The GraphAug framework incorporates a graph information bottleneck (GIB)-regularized augmentation paradigm, which automatically distills informative self-supervision information and adaptively adjusts contrastive view generation. Through rigorous experimentation on real-world datasets, we thoroughly assessed the performance of our novel GraphAug model. The outcomes consistently unveil its superiority over existing baseline methods. The source code for our model is publicly available at: https://github.com/HKUDS/GraphAug.
Abstract（参考訳）: ラベル付きデータに制限がある場合でも、表現力のあるユーザ表現を学習できるため、レコメンデーションシステム分野において、対照的な学習によるグラフ強化が注目されている。しかし、既存のGCLモデルを現実世界のレコメンデーション環境に直接適用することは、課題となる。対処すべき主な問題は2つある。第一に、対照的な学習におけるデータノイズに対する考慮の欠如は、ノイズの多い自己教師信号をもたらし、性能が劣化する可能性がある。第二に、既存のGCLアプローチの多くはグラフニューラルネットワーク(GNN)アーキテクチャに依存しており、非適応的なメッセージパッシングによって過度にスムースな問題に悩まされる可能性がある。これらの課題に対処するために、GraphAugと呼ばれる原則的なフレームワークを提案する。このフレームワークは、デノライズされた自己教師付き信号を生成する堅牢なデータ拡張器を導入し、レコメンダシステムを強化している。 GraphAugフレームワークはグラフ情報ボトルネック(GIB)正規化拡張パラダイムを取り入れており、情報的自己スーパービジョン情報を自動蒸留し、コントラスト的なビュー生成を適応的に調整する。実世界のデータセットに関する厳密な実験を通じて、新しいGraphAugモデルの性能を徹底的に評価した。結果は、既存のベースライン方式よりも一貫して優位性を示す。私たちのモデルのソースコードは、https://github.com/HKUDS/GraphAug.comで公開されています。

関連論文リスト

Community-Invariant Graph Contrastive Learning [21.72222875193335]
本研究では,グラフ強化におけるグラフコミュニティの役割について検討する。本稿では,学習可能なグラフ拡張時のグラフコミュニティ構造を維持するための,コミュニティ不変なGCLフレームワークを提案する。
論文参考訳（メタデータ） (2024-05-02T14:59:58Z)
OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
グラフニューラルネットワーク(GNN)は、構造情報を符号化するための有望な技術として登場した。主な課題は、異なる性質を持つグラフデータを一般化することの難しさである。この課題に対処するために,OpenGraphと呼ばれる新しいグラフ基盤モデルを提案する。
論文参考訳（メタデータ） (2024-03-02T08:05:03Z)
Feature propagation as self-supervision signals on graphs [0.0]
正規化グラフ情報最大(RGI)は、ノードレベルの自己教師型学習のためのシンプルだが効果的なフレームワークである。 RGIは,その単純さに拘わらず,最先端のパフォーマンスを実現することができることを示す。
論文参考訳（メタデータ） (2023-03-15T14:20:06Z)
LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation [9.181689366185038]
グラフニューラルクラスタリングネットワーク(GNN)は、グラフベースのレコメンデータシステムのための強力な学習手法である。本稿では,単純なグラフコントラスト学習パラダイムであるLightGCLを提案する。
論文参考訳（メタデータ） (2023-02-16T10:16:21Z)
Black-box Node Injection Attack for Graph Neural Networks [29.88729779937473]
被害者のGNNモデルを回避するためにノードを注入する可能性について検討する。具体的には,グラフ強化学習フレームワークGA2Cを提案する。本稿では,既存の最先端手法よりもGA2Cの方が優れた性能を示す。
論文参考訳（メタデータ） (2022-02-18T19:17:43Z)
Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
論文参考訳（メタデータ） (2022-01-17T11:57:29Z)
Bringing Your Own View: Graph Contrastive Learning without Prefabricated Data Augmentations [94.41860307845812]
Self-supervisionは最近、グラフ学習の新しいフロンティアに力を入れている。 GraphCLは、グラフデータ拡張のアドホックな手作業による選択によって反映されたプレハブ付きプリファブリックを使用する。グラフ生成器のパラメータ空間における学習可能な連続前処理へと拡張した。我々は、情報最小化(InfoMin)と情報ボトルネック(InfoBN)の2つの原則を利用して、学習した事前情報を規則化する。
論文参考訳（メタデータ） (2022-01-04T15:49:18Z)
Graph Contrastive Learning Automated [94.41860307845812]
グラフコントラスト学習(GraphCL)は、有望な表現学習性能とともに登場した。 GraphCLのヒンジがアドホックなデータ拡張に与える影響は、データセット毎に手動で選択する必要がある。本稿では,グラフデータ上でGraphCLを実行する際に,データ拡張を自動的に,適応的に動的に選択する統合バイレベル最適化フレームワークを提案する。
論文参考訳（メタデータ） (2021-06-10T16:35:27Z)
Graph Contrastive Learning with Augmentations [109.23158429991298]
グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
論文参考訳（メタデータ） (2020-10-22T20:13:43Z)
Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
論文参考訳（メタデータ） (2020-10-19T21:51:47Z)
Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文参考訳（メタデータ） (2020-06-10T14:48:48Z)

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。