論文の概要: S-Diff: An Anisotropic Diffusion Model for Collaborative Filtering in Spectral Domain

• arxiv url: http://arxiv.org/abs/2501.00384v1
• Date: Tue, 31 Dec 2024 10:54:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:11:43.469748
• Title: S-Diff: An Anisotropic Diffusion Model for Collaborative Filtering in Spectral Domain
• Title（参考訳）: S-Diff:スペクトル領域における協調フィルタリングのための異方性拡散モデル
• Authors: Rui Xia, Yanhua Cheng, Yongxiang Tang, Xiaocheng Liu, Xialong Liu, Lisong Wang, Peng Jiang,
• Abstract要約: グラフに基づく協調フィルタリングにインスパイアされたS-Diffを提案する。 S-Diffは、ユーザの相互作用ベクトルをスペクトル領域にマッピングし、拡散ノイズをパラメータ化してグラフ周波数に合わせる。 この異方性拡散は重要な低周波成分を保持し、高い信号対雑音比を保持する。
• 参考スコア（独自算出の注目度）: 23.22881271027173
• License:
• Abstract: Recovering user preferences from user-item interaction matrices is a key challenge in recommender systems. While diffusion models can sample and reconstruct preferences from latent distributions, they often fail to capture similar users' collective preferences effectively. Additionally, latent variables degrade into pure Gaussian noise during the forward process, lowering the signal-to-noise ratio, which in turn degrades performance. To address this, we propose S-Diff, inspired by graph-based collaborative filtering, better to utilize low-frequency components in the graph spectral domain. S-Diff maps user interaction vectors into the spectral domain and parameterizes diffusion noise to align with graph frequency. This anisotropic diffusion retains significant low-frequency components, preserving a high signal-to-noise ratio. S-Diff further employs a conditional denoising network to encode user interactions, recovering true preferences from noisy data. This method achieves strong results across multiple datasets.
• Abstract（参考訳）: ユーザとイテムのインタラクション行列からユーザの好みを復元することは、レコメンデーションシステムにおいて重要な課題である。 拡散モデルは、潜伏分布からの選好をサンプリングして再構成するが、しばしば類似したユーザの集団選好を効果的に捉えることに失敗する。 さらに、遅延変数は前処理中に純粋なガウス雑音に分解され、信号対雑音比が低下し、性能が低下する。 そこで本稿では,グラフベースの協調フィルタリングに着想を得たS-Diffを提案する。 S-Diffは、ユーザの相互作用ベクトルをスペクトル領域にマッピングし、拡散ノイズをパラメータ化してグラフ周波数に合わせる。 この異方性拡散は重要な低周波成分を保持し、高い信号対雑音比を保持する。 S-Diffはさらに、ユーザインタラクションを符号化する条件記述ネットワークを採用し、ノイズの多いデータから真の好みを回復する。 この手法は複数のデータセットにまたがって強い結果を得る。

関連論文リスト

• Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
  我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。 DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。 フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
  論文  参考訳（メタデータ） (2024-11-18T04:57:05Z)
• Frequency-aware Feature Fusion for Dense Image Prediction [99.85757278772262]
  本稿では,高密度画像予測のための周波数認識機能融合(FreqFusion)を提案する。 FreqFusionは、Adaptive Low-Pass Filter (ALPF) ジェネレータ、オフセットジェネレータ、Adaptive High-Pass Filter (AHPF) ジェネレータを統合する。 包括的可視化と定量的分析は、FreqFusionが機能一貫性を効果的に改善し、オブジェクト境界を鋭くすることを示している。
  論文  参考訳（メタデータ） (2024-08-23T07:30:34Z)
• Graph Signal Diffusion Model for Collaborative Filtering [22.727100820178414]
  協調フィルタリングはレコメンデータシステムにおいて重要な手法である。 拡散モデルに関する既存の研究は、暗黙のフィードバックをモデル化するための効果的な解決策を欠いている。 協調フィルタリングのためのグラフ信号拡散モデル(GiffCF)を提案する。
  論文  参考訳（メタデータ） (2023-11-15T07:25:14Z)
• Frequency Compensated Diffusion Model for Real-scene Dehazing [6.105813272271171]
  本研究では,実ヘイズへの一般化を改善する条件付き拡散モデルに基づく脱ヘイズフレームワークについて考察する。 提案手法は, 実世界の画像において, 最先端の手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-08-21T06:50:44Z)
• SpectralDiff: A Generative Framework for Hyperspectral Image Classification with Diffusion Models [18.391049303136715]
  拡散モデルを用いたHSI分類のための生成フレームワーク(SpectralDiff)を提案する。 SpectralDiffは、高次元および高冗長なデータの分布情報を効果的にマイニングする。 3つの公開HSIデータセットの実験により、提案手法は最先端の手法よりも優れた性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-04-12T16:32:34Z)
• Diffusion Posterior Sampling for General Noisy Inverse Problems [50.873313752797124]
  我々は、後方サンプリングの近似により、雑音(非線形)逆問題に対処するために拡散解法を拡張した。 本手法は,拡散モデルが様々な計測ノイズ統計を組み込むことができることを示す。
  論文  参考訳（メタデータ） (2022-09-29T11:12:27Z)
• Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
  GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。 フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。 我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2022-06-05T20:45:01Z)
• Stabilization of generative adversarial networks via noisy scale-space [6.574517227976925]
  Generative adversarial Network(GAN)は、与えられた現実に基づいて偽のデータを生成するためのフレームワークです。 GANを安定化させるために、ノイズは実と偽の分布の重なりを拡大する。 データ平滑化はデータの寸法を減少させるが、ganが高周波情報を学習する能力を抑制する。
  論文  参考訳（メタデータ） (2021-05-01T11:32:16Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)
• Noise Homogenization via Multi-Channel Wavelet Filtering for High-Fidelity Sample Generation in GANs [47.92719758687014]
  GAN(Generative Adversarial Networks)のための新しいマルチチャネルウェーブレットに基づくフィルタリング手法を提案する。 ジェネレータにウェーブレットのデコンボリューション層を埋め込むと、結果のGANであるWaveletGANがウェーブレットのデコンボリューションを利用して複数のチャネルによるフィルタリングを学習する。 オープンGANベンチマークツールを用いて,Fashion-MNIST,KMNIST,SVHNデータセットのベンチマーク実験を行った。
  論文  参考訳（メタデータ） (2020-05-14T03:40:11Z)

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。