論文の概要: Graph Neural Controlled Differential Equations For Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2501.13908v1
• Date: Thu, 23 Jan 2025 18:37:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:54:54.956150
• Title: Graph Neural Controlled Differential Equations For Collaborative Filtering
• Title（参考訳）: グラフニューラル制御による協調フィルタリングの微分方程式
• Authors: Ke Xu, Weizhi Zhang, Zihe Song, Yuanjie Zhu, Philip S. Yu,
• Abstract要約: 我々は、協調フィルタリング(CDE-CF)のためのグラフニューラル制御微分方程式(Graph Neural Controlled Differential Equations)という新しい手法を提案する。 重み制御を連続的に組み込むことにより,グラフODE法の性能を向上させる。
• 参考スコア（独自算出の注目度）: 37.98767924798175
• License:
• Abstract: Graph Convolution Networks (GCNs) are widely considered state-of-the-art for recommendation systems. Several studies in the field of recommendation systems have attempted to apply collaborative filtering (CF) into the Neural ODE framework. These studies follow the same idea as LightGCN, which removes the weight matrix or with a discrete weight matrix. However, we argue that weight control is critical for neural ODE-based methods. The importance of weight in creating tailored graph convolution for each node is crucial, and employing a fixed/discrete weight means it cannot adjust over time within the ODE function. This rigidity in the graph convolution reduces its adaptability, consequently hindering the performance of recommendations. In this study, to create an optimal control for Neural ODE-based recommendation, we introduce a new method called Graph Neural Controlled Differential Equations for Collaborative Filtering (CDE-CF). Our method improves the performance of the Graph ODE-based method by incorporating weight control in a continuous manner. To evaluate our approach, we conducted experiments on various datasets. The results show that our method surpasses competing baselines, including GCNs-based models and state-of-the-art Graph ODE-based methods.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)は、リコメンデーションシステムにおいて最先端と見なされている。 推薦システム分野におけるいくつかの研究は、協調フィルタリング(CF)をNeural ODEフレームワークに適用しようと試みている。 これらの研究は、重量行列を取り除いたり、離散的な重量行列を持つLightGCNと同じ考え方に従う。 しかし、重み制御はニューラルODEベースの手法では重要であると論じる。 各ノードに調整されたグラフ畳み込みを作成する際の重みの重要性は重要であり、固定/離散重みを用いるということは、ODE関数内で時間とともに調整できないことを意味する。 このグラフ畳み込みの剛性は適応性を低下させ、結果としてレコメンデーションのパフォーマンスを阻害する。 本研究では,協調フィルタリングのためのグラフニューラル制御微分方程式 (CDE-CF) と呼ばれる新しい手法を提案する。 重み制御を連続的に組み込むことにより,グラフODE法の性能を向上させる。 提案手法を評価するため,様々なデータセットの実験を行った。 その結果,提案手法はGCNモデルや最先端のGraph ODE法など,競合するベースラインを超えていることがわかった。

関連論文リスト

• Do We Really Need Graph Convolution During Training? Light Post-Training Graph-ODE for Efficient Recommendation [34.93725892725111]
  トレーニングレコメンデータシステム(RecSys)におけるグラフ畳み込みネットワーク(GCNs)は、絶え間なく懸念されてきた。 本稿では,学習段階におけるグラフ畳み込みの必要性を批判的に考察する。 光後学習グラフ正規分方程式(LightGODE)という革新的な方法を導入する。
  論文  参考訳（メタデータ） (2024-07-26T17:59:32Z)
• Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
  グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。 データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。 AGL-SC(Amplify Graph Learning framework)を提案する。
  論文  参考訳（メタデータ） (2024-06-27T08:26:20Z)
• Unifying Graph Convolution and Contrastive Learning in Collaborative Filtering [33.4238287258316]
  グラフベースのモデルと対照的な学習は、協調フィルタリングにおいて顕著な手法として現れてきた。 本稿では,グラフモデルの重要な要素であるグラフ畳み込みと,理論的枠組みによる対照的な学習を橋渡しする。 本稿では,単純なコントラスト型協調フィルタリング(SCCF)を提案する。
  論文  参考訳（メタデータ） (2024-06-20T04:50:28Z)
• Graph Neural Ordinary Differential Equations-based method for Collaborative Filtering [40.39806741673175]
  グラフニューラル正規微分方程式を用いた協調フィルタリング法(GODE-CF)を提案する。 本手法は,GCN層1つまたは2つの層が取得した情報を利用して最終埋め込みを推定する。 提案したGODE-CFモデルは,従来のGCNモデルよりもいくつかの利点があることを示す。
  論文  参考訳（メタデータ） (2023-11-21T03:42:15Z)
• Anti-Symmetric DGN: a stable architecture for Deep Graph Networks [12.71306369339218]
  安定かつ非散逸的なDGN設計のためのフレームワークであるアンチサイメトリディープグラフネットワーク(A-DGN)を提案する。 A-DGNは性能向上に寄与し、数十のレイヤが使用されている場合でも効果的に学習できる。
  論文  参考訳（メタデータ） (2022-10-18T12:04:55Z)
• Deep Manifold Learning with Graph Mining [80.84145791017968]
  グラフマイニングのための非段階的決定層を持つ新しいグラフ深層モデルを提案する。 提案モデルでは,現行モデルと比較して最先端性能を実現している。
  論文  参考訳（メタデータ） (2022-07-18T04:34:08Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• Cogradient Descent for Dependable Learning [64.02052988844301]
  双線形最適化問題に対処するために,CoGDアルゴリズムに基づく信頼度の高い学習法を提案する。 CoGDは、ある変数がスパーシティ制約を持つ場合の双線形問題を解くために導入された。 また、特徴と重みの関連を分解するためにも使用できるため、畳み込みニューラルネットワーク(CNN)をより良く訓練するための我々の手法をさらに一般化することができる。
  論文  参考訳（メタデータ） (2021-06-20T04:28:20Z)
• 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)
• 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。