論文の概要: Enhancing Graph Collaborative Filtering with FourierKAN Feature Transformation

• arxiv url: http://arxiv.org/abs/2406.01034v3
• Date: Thu, 14 Aug 2025 10:41:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:47.961524
• Title: Enhancing Graph Collaborative Filtering with FourierKAN Feature Transformation
• Title（参考訳）: FourierKAN特徴変換によるグラフ協調フィルタリングの強化
• Authors: Jinfeng Xu, Zheyu Chen, Jinze Li, Shuo Yang, Wei Wang, Xiping Hu, Edith Ngai,
• Abstract要約: グラフ協調フィルタリング(GCF)は、現代のレコメンデーションシステムにおいて支配的なパラダイムとして現れている。 本稿では,Fourier Kolmogorov-Arnold Networksをグラフ伝搬層内の効率的な変換モジュールとして採用する新しいGCNフレームワークを提案する。 我々のFourierKAN-GCFは、最も広く使われているGCFバックボーンモデルよりも高いレコメンデーション性能を達成することができる。
• 参考スコア（独自算出の注目度）: 14.412637550769494
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Collaborative Filtering (GCF) has emerged as a dominant paradigm in modern recommendation systems, excelling at modeling complex user-item interactions and capturing high-order collaborative signals through graph-structured learning. Most existing GCF models predominantly rely on simplified graph architectures like LightGCN, which strategically remove feature transformation and activation functions from vanilla graph convolution networks. Through systematic analysis, we reveal that feature transformation in message propagation can enhance model representation, though at the cost of increased training difficulty. To this end, we propose FourierKAN-GCF, a novel GCN framework that adopts Fourier Kolmogorov-Arnold Networks as efficient transformation modules within graph propagation layers. This design enhances model representation while decreasing training difficulty. Our FourierKAN-GCF can achieve higher recommendation performance than most widely used GCF backbone models. In addition, it can be integrated into existing advanced self-supervised models as a backbone, replacing their original backbone to achieve enhanced performance. Extensive experiments on three public datasets demonstrate the superiority of FourierKAN-GCF.
• Abstract（参考訳）: グラフ協調フィルタリング(GCF: Graph Collaborative Filtering)は、複雑なユーザ-イテム相互作用をモデル化し、グラフ構造化学習を通じて高次協調信号をキャプチャする能力において、現代のレコメンデーションシステムにおいて支配的なパラダイムとして登場した。 既存のGCFモデルは、主にLightGCNのような単純化されたグラフアーキテクチャに依存しており、バニラグラフ畳み込みネットワークから機能変換とアクティベーション機能を戦略的に取り除いている。 組織的な分析により、訓練の難しさを犠牲にしながらも、メッセージ伝達における特徴変換がモデル表現を向上させることが判明した。 そこで我々は,Fourier Kolmogorov-Arnold Networksをグラフ伝搬層内の効率的な変換モジュールとして採用した新しいGCNフレームワークであるFourierKAN-GCFを提案する。 この設計は、訓練の難しさを低減しつつ、モデル表現を向上させる。 我々のFourierKAN-GCFは、最も広く使われているGCFバックボーンモデルよりも高いレコメンデーション性能を達成することができる。 さらに、既存の高度な自己管理モデルにバックボーンとして統合して、元のバックボーンを置き換えることで、パフォーマンスの向上を実現している。 3つの公開データセットに対する大規模な実験は、FourierKAN-GCFの優位性を示している。

関連論文リスト

• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Technical Report: The Graph Spectral Token -- Enhancing Graph Transformers with Spectral Information [0.8184895397419141]
  グラフトランスフォーマーは、メッセージパッシンググラフニューラルネットワーク(MP-GNN)の強力な代替品として登場した。 本稿では,グラフスペクトル情報を直接符号化する新しい手法であるグラフスペクトルトークンを提案する。 既存のグラフ変換器であるGraphTransとSubFormerを拡張して,提案手法の有効性をベンチマークする。
  論文  参考訳（メタデータ） (2024-04-08T15:24:20Z)
• How Does Message Passing Improve Collaborative Filtering? [49.019075781827034]
  協調フィルタリング(CF)はレコメンダシステムに顕著な結果をもたらし、現実世界のアプリケーションに広く利用されている。 メッセージパッシングは、グラフベースの学習タスク全般の利点に似た方法でCFメソッドを支援する。 テスト時アグリゲーション(Test-time Aggregation for CF)は、推論時に一度だけメッセージパッシングを行うテスト時アグリゲーションフレームワークである。
  論文  参考訳（メタデータ） (2024-03-27T18:53:04Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• ASWT-SGNN: Adaptive Spectral Wavelet Transform-based Self-Supervised Graph Neural Network [20.924559944655392]
  本稿では,適応スペクトルウェーブレット変換を用いた自己教師付きグラフニューラルネットワーク(ASWT-SGNN)を提案する。 ASWT-SGNNは高密度スペクトル領域におけるフィルタ関数を正確に近似し、コストの高い固有分解を避ける。 ノード分類タスクにおける最先端モデルに匹敵するパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-10T03:07:42Z)
• How Powerful is Graph Convolution for Recommendation? [21.850817998277158]
  グラフ畳み込みネットワーク(GCN)は、最近、協調フィルタリング(CF)のための一般的なアルゴリズムのクラスを実現した。 本稿では,グラフ信号処理のレンズを用いてGCNに基づくCF法をよりよく理解する試みを行う。
  論文  参考訳（メタデータ） (2021-08-17T11:38:18Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)
• RGCF: Refined Graph Convolution Collaborative Filtering with concise and expressive embedding [42.46797662323393]
  我々はRefined Graph Convolution Collaborative Filtering(RGCF)というGCNベースの新しい協調フィルタリングモデルを開発した。 RGCFはグラフ内の暗黙の高次連結性を捉えることができ、結果として得られるベクトル表現はより表現力が高い。 我々は3つの公開百万規模のデータセットに対して広範な実験を行い、我々のRGCFが最先端のモデルを大幅に上回っていることを実証した。
  論文  参考訳（メタデータ） (2020-07-07T12:26:10Z)
• Graph Convolutional Network for Recommendation with Low-pass Collaborative Filters [32.76804332450971]
  大規模グラフに適用可能なtextbfLow-pass textbfCollaborative textbfFilter (textbfLCF) を提案する。 LCFは、観測データの露出と量子化に起因するノイズを取り除くように設計されている。 実験の結果、LCFはグラフ畳み込みの有効性と効率を向上し、GCNは既存のGCNを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-06-28T05:22:24Z)
• 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。