論文の概要: Symmetric Graph Contrastive Learning against Noisy Views for Recommendation
- arxiv url: http://arxiv.org/abs/2408.02691v1
- Date: Sat, 3 Aug 2024 06:58:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-07 16:17:55.132196
- Title: Symmetric Graph Contrastive Learning against Noisy Views for Recommendation
- Title（参考訳）: 推薦のための雑音視点に対する対称グラフコントラスト学習
- Authors: Chu Zhao, Enneng Yang, Yuliang Liang, Jianzhe Zhao, Guibing Guo, Xingwei Wang,
- Abstract要約: 本稿では, 対称性理論をグラフのコントラスト学習に適用し, ノイズ干渉に耐性のある対称形式とコントラスト損失を提案する。
我々のアプローチは、他の9つの競合モデルに比べて、相対的な改善が最大12.25%に達することによって、推奨精度を大幅に向上させる。
- 参考スコア（独自算出の注目度）: 7.92181856602497
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph Contrastive Learning (GCL) leverages data augmentation techniques to produce contrasting views, enhancing the accuracy of recommendation systems through learning the consistency between contrastive views. However, existing augmentation methods, such as directly perturbing interaction graph (e.g., node/edge dropout), may interfere with the original connections and generate poor contrasting views, resulting in sub-optimal performance. In this paper, we define the views that share only a small amount of information with the original graph due to poor data augmentation as noisy views (i.e., the last 20% of the views with a cosine similarity value less than 0.1 to the original view). We demonstrate through detailed experiments that noisy views will significantly degrade recommendation performance. Further, we propose a model-agnostic Symmetric Graph Contrastive Learning (SGCL) method with theoretical guarantees to address this issue. Specifically, we introduce symmetry theory into graph contrastive learning, based on which we propose a symmetric form and contrast loss resistant to noisy interference. We provide theoretical proof that our proposed SGCL method has a high tolerance to noisy views. Further demonstration is given by conducting extensive experiments on three real-world datasets. The experimental results demonstrate that our approach substantially increases recommendation accuracy, with relative improvements reaching as high as 12.25% over nine other competing models. These results highlight the efficacy of our method.
- Abstract（参考訳）: Graph Contrastive Learning (GCL)は、データ拡張技術を活用してコントラストビューを生成し、コントラストビュー間の一貫性を学ぶことによってレコメンデーションシステムの精度を高める。
しかし、直接摂動相互作用グラフ(例えばノード/エッジドロップアウト)のような既存の拡張手法は、元の接続を妨害し、コントラストの低いビューを生成し、その結果、準最適性能をもたらす。
本稿では,データ拡張が不十分なため,少数の情報のみを元のグラフと共有するビューをノイズの多いビューとして定義する(つまり,コサイン類似度値が0.1未満のビューの最後の20%を元のビューと定義する)。
ノイズの多いビューが推奨性能を著しく低下させることを示す。
さらに,モデルに依存しないSGCL(Symmetric Graph Contrastive Learning)手法を提案する。
具体的には、対称性理論をグラフのコントラスト学習に導入し、ノイズ干渉に耐性のある対称形式とコントラスト損失を提案する。
本稿では,提案手法が雑音に対する高い耐性を有することの理論的証明を提供する。
さらに3つの実世界のデータセットに関する広範な実験を行うことで、さらなるデモンストレーションを行うことができる。
実験の結果,提案手法は推奨精度を大幅に向上し,他の9つの競合モデルよりも12.25%の精度で相対的な改善が達成された。
これらの結果は,本手法の有効性を浮き彫りにした。
関連論文リスト
- TDCGL: Two-Level Debiased Contrastive Graph Learning for Recommendation [1.5836776102398225]
実世界におけるKGの実体の長期分布とノイズ問題により、アイテム・エンティリティ依存関係は真の特性を反映しない。
我々はTDCL(Two-Level Debiased Contrastive Learning)を設計し、知識グラフに展開する。
オープンソースデータセットに関する検討実験により,提案手法は優れたアンチノイズ性能を有することが示された。
論文 参考訳（メタデータ） (2023-10-01T03:56:38Z) - 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) - Adversarial Learning Data Augmentation for Graph Contrastive Learning in
Recommendation [56.10351068286499]
グラフコントラスト学習のための学習可能なデータ拡張法(LDA-GCL)を提案する。
提案手法は,InfoMin と InfoMax の原則に従うデータ強化学習とグラフコントラスト学習を含む。
本手法は,データ拡張とユーザやアイテムの効果的な表現を学習するために,対向損失関数を最適化する。
論文 参考訳（メタデータ） (2023-02-05T06:55:51Z) - Single-Pass Contrastive Learning Can Work for Both Homophilic and
Heterophilic Graph [60.28340453547902]
グラフコントラッシブ・ラーニング(GCL)技術は通常、コントラッシブ・ロスを構築するために単一のインスタンスに対して2つのフォワードパスを必要とする。
既存のGCLアプローチは、強力なパフォーマンス保証を提供していない。
我々はSingle-Pass Graph Contrastive Learning法(SP-GCL)を実装した。
経験的に、SP-GCLが学んだ機能は、計算オーバーヘッドを著しく少なくして、既存の強いベースラインにマッチまたは性能を向上することができる。
論文 参考訳（メタデータ） (2022-11-20T07:18:56Z) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳（メタデータ） (2022-04-13T15:54:35Z) - GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。
本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2022-03-24T02:58:36Z) - Adversarial Graph Contrastive Learning with Information Regularization [51.14695794459399]
コントラスト学習はグラフ表現学習において有効な方法である。
グラフ上のデータ拡張は、はるかに直感的ではなく、高品質のコントラスト的なサンプルを提供するのがずっと難しい。
逆グラフ比較学習(Adversarial Graph Contrastive Learning, ARIEL)を提案する。
さまざまな実世界のデータセット上でのノード分類タスクにおいて、現在のグラフのコントラスト学習方法よりも一貫して優れています。
論文 参考訳（メタデータ） (2022-02-14T05:54:48Z) - Robust Contrastive Learning against Noisy Views [79.71880076439297]
ノイズの多い視点に対して頑健な新しいコントラスト損失関数を提案する。
提案手法は,最新の画像,ビデオ,グラフのコントラスト学習ベンチマークに対して一貫した改善を提供する。
論文 参考訳（メタデータ） (2022-01-12T05:24:29Z)
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。