論文の概要: Collaborative Filtering Meets Spectrum Shift: Connecting User-Item Interaction with Graph-Structured Side Information

• arxiv url: http://arxiv.org/abs/2502.08071v1
• Date: Wed, 12 Feb 2025 02:24:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:44:23.970376
• Title: Collaborative Filtering Meets Spectrum Shift: Connecting User-Item Interaction with Graph-Structured Side Information
• Title（参考訳）: 協調フィルタリングとスペクトルシフト:グラフ構造化サイド情報とユーザ-アイテムインタラクションを結びつける
• Authors: Yunhang He, Cong Xu, Jun Wang, Wei Zhang,
• Abstract要約: グラフニューラルネットワーク(GNN)は協調フィルタリングにおいてその優位性を実証している。 しかし、グラフ構造化側情報をU-I二部グラフに統合すると、既存のグラフ協調フィルタリング手法は良好な性能を達成できない。 我々はスペクトルシフト補正(SSC)を提案し、スペクトルGNNがシフトスペクトルに適応できるようにシフトとスケーリングの要素を取り入れた。
• 参考スコア（独自算出の注目度）: 11.650613484855356
• License:
• Abstract: Graph Neural Network (GNN) has demonstrated their superiority in collaborative filtering, where the user-item (U-I) interaction bipartite graph serves as the fundamental data format. However, when graph-structured side information (e.g., multimodal similarity graphs or social networks) is integrated into the U-I bipartite graph, existing graph collaborative filtering methods fall short of achieving satisfactory performance. We quantitatively analyze this problem from a spectral perspective. Recall that a bipartite graph possesses a full spectrum within the range of [-1, 1], with the highest frequency exactly achievable at -1 and the lowest frequency at 1; however, we observe as more side information is incorporated, the highest frequency of the augmented adjacency matrix progressively shifts rightward. This spectrum shift phenomenon has caused previous approaches built for the full spectrum [-1, 1] to assign mismatched importance to different frequencies. To this end, we propose Spectrum Shift Correction (dubbed SSC), incorporating shifting and scaling factors to enable spectral GNNs to adapt to the shifted spectrum. Unlike previous paradigms of leveraging side information, which necessitate tailored designs for diverse data types, SSC directly connects traditional graph collaborative filtering with any graph-structured side information. Experiments on social and multimodal recommendation demonstrate the effectiveness of SSC, achieving relative improvements of up to 23% without incurring any additional computational overhead.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は協調フィルタリングにおいてその優位性を実証しており、U-I(User-item)相互作用の2部グラフが基本的なデータフォーマットとして機能している。 しかし,グラフ構造化側情報(マルチモーダル類似性グラフやソーシャルネットワークなど)をU-I双部グラフに統合すると,既存のグラフ協調フィルタリング手法は良好な性能を達成できない。 我々はこの問題をスペクトルの観点から定量的に分析する。 両部グラフが [-1, 1] の範囲内で全スペクトルを持ち、-1 で正確に達成可能な最高周波数と 1 で最低周波数を持つことを思い出すが、より多くの側情報が組み込まれているため、拡張隣接行列の最高周波数は徐々に右にシフトする。 このスペクトルシフト現象は、全スペクトル [-1, 1] に対して異なる周波数に不一致の重要度を割り当てる以前のアプローチを引き起こした。 そこで我々はスペクトルシフト補正(SSC)を提案し、スペクトルGNNがシフトスペクトルに適応できるようにシフト係数とスケーリング係数を取り入れた。 さまざまなデータタイプ用にカスタマイズされた設計を必要とするサイド情報を利用する従来のパラダイムとは異なり、SSCは従来のグラフ協調フィルタリングとグラフ構造化サイド情報を直接接続する。 ソーシャル・マルチモーダル・レコメンデーションの実験では、余分な計算オーバーヘッドを伴わずに23%の相対的な改善を達成し、SSCの有効性を示す。

関連論文リスト

• LOHA: Direct Graph Spectral Contrastive Learning Between Low-pass and High-pass Views [3.0930990296129828]
  スペクトルグラフニューラルネットワークは,低域フィルタマイニング特性のスムーズさと高域フィルタキャプチャ特性の相違により,相同レベルのグラフを効果的に処理する。 異なるフィルタが自然に自己教師付き学習の2つの反対の視点を形成する場合、同一ノードの共通性は未探索のままである。 本稿では、このギャップに対処するために、単純で効果的な自己監督型コントラストフレームワークLOHAを提案する。
  論文  参考訳（メタデータ） (2025-01-06T12:25:02Z)
• Graph Neural Networks Are More Than Filters: Revisiting and Benchmarking from A Spectral Perspective [49.613774305350084]
  グラフニューラルネットワーク(GNN)は、様々なグラフベースの学習タスクにおいて顕著な成功を収めている。 近年の研究では、非線形層などの他のコンポーネントが、GNNがスペクトル領域の入力グラフデータをどのように処理するかに大きく影響する可能性が示唆されている。 本稿では、入力グラフデータの異なる周波数成分に符号化された情報を捕捉し、活用する際のGNNの能力を評価するための総合的なベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-10T04:53:53Z)
• 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)
• GrassNet: State Space Model Meets Graph Neural Network [57.62885438406724]
  Graph State Space Network (GrassNet)は、任意のグラフスペクトルフィルタを設計するためのシンプルで効果的なスキームを提供する理論的なサポートを持つ、新しいグラフニューラルネットワークである。 我々の知る限り、我々の研究はグラフGNNスペクトルフィルタの設計にSSMを使った最初のものである。 9つの公開ベンチマークでの大規模な実験により、GrassNetは現実世界のグラフモデリングタスクにおいて優れたパフォーマンスを達成することが明らかになった。
  論文  参考訳（メタデータ） (2024-08-16T07:33:58Z)
• Spectral Graph Reasoning Network for Hyperspectral Image Classification [0.43512163406551996]
  畳み込みニューラルネットワーク(CNN)は、ハイパースペクトル画像(HSI)分類において顕著な性能を達成した。 本稿では、2つの重要なモジュールからなるスペクトルグラフ推論ネットワーク(SGR)学習フレームワークを提案する。 2つのHSIデータセットの実験により、提案したアーキテクチャが分類精度を大幅に改善できることが示されている。
  論文  参考訳（メタデータ） (2024-07-02T20:29:23Z)
• Advancing Graph Convolutional Networks via General Spectral Wavelets [41.41593198072709]
  本稿では,マルチレゾリューションスペクトルベースと行列値フィルタカーネルを統合した新しいウェーブレットベースのグラフ畳み込みネットワークWaveGCを提案する。 理論的には、WaveGCは、短距離および長距離情報を効果的にキャプチャし、分離できることを確立し、より優れたフィルタリング柔軟性を提供する。
  論文  参考訳（メタデータ） (2024-05-22T16:32:27Z)
• Shape-aware Graph Spectral Learning [36.63516222161871]
  スペクトルグラフニューラルネットワーク(GNN)は、メッセージパッシングGNNの限界を超える能力に注目されている。 いくつかの研究は、好ましいグラフ周波数がグラフホモフィリーレベルと関連していることを実証的に示している。 このグラフ周波数とホモフィリー・ヘテロフィリーグラフの関係は、既存のスペクトルGNNにおいて体系的に解析され検討されていない。 我々は、任意のスペクトルフィルタを学習し、対応するホモフィリーレベルの所望の形状に関する事前知識を組み込むことができるニュートン補間に基づくスペクトルフィルタの形状認識正則化を提案する。
  論文  参考訳（メタデータ） (2023-10-16T04:57:30Z)
• Specformer: Spectral Graph Neural Networks Meet Transformers [51.644312964537356]
  スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域グラフ畳み込みを通じてグラフ表現を学習する。 本稿では、全ての固有値の集合を効果的に符号化し、スペクトル領域で自己アテンションを行うSpecformerを紹介する。 複数のSpecformerレイヤを積み重ねることで、強力なスペクトルGNNを構築することができる。
  論文  参考訳（メタデータ） (2023-03-02T07:36:23Z)
• Skeleton-Parted Graph Scattering Networks for 3D Human Motion Prediction [120.08257447708503]
  体-関節関係をモデル化するグラフ畳み込みネットワークに基づく手法は,最近3次元骨格に基づく人間の動作予測において大きな可能性を示唆している。 骨格分割グラフ散乱ネットワーク(SPGSN)を提案する。 SPGSNは、Human3.6M、CMU Mocap、および3DPWデータセット上で、関節位置誤差(MPJPE)当たりの3D平均の13.8%、9.3%、および2.7%の差で最先端の手法を上回っている。
  論文  参考訳（メタデータ） (2022-07-31T05:51:39Z)
• Message Passing in Graph Convolution Networks via Adaptive Filter Banks [81.12823274576274]
  我々は BankGCN と呼ばれる新しいグラフ畳み込み演算子を提案する。 グラフ上のマルチチャネル信号をサブスペースに分解し、各サブスペース内の特定の情報を適応フィルタで処理する。 ベンチマークグラフデータセットの集合におけるグラフ分類における優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-06-18T04:23:34Z)

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。