論文の概要: MixDec Sampling: A Soft Link-based Sampling Method of Graph Neural Network for Recommendation

• arxiv url: http://arxiv.org/abs/2502.08161v1
• Date: Wed, 12 Feb 2025 07:05:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:49:05.888416
• Title: MixDec Sampling: A Soft Link-based Sampling Method of Graph Neural Network for Recommendation
• Title（参考訳）: MixDec サンプリング: 推薦のためのグラフニューラルネットワークのソフトリンクに基づくサンプリング手法
• Authors: Xiangjin Xie, Yuxin Chen, Ruipeng Wang, Kai Ouyang, Zihan Zhang, Hai-Tao Zheng, Buyue Qian, Hansen Zheng, Bo Hu, Chengxiang Zhuo, Zang Li,
• Abstract要約: そこで本研究では,既存の負サンプリング手法の限界を克服するために,新しいソフトリンクに基づくサンプリング手法であるMixDec Smplingを提案する。 我々の知る限り、我々はGNNベースのレコメンデータシステムにおけるソフトリンクによるノード間の関係のサンプリングをモデル化した最初の人物である。
• 参考スコア（独自算出の注目度）: 35.20020661013898
• License:
• Abstract: Graph neural networks have been widely used in recent recommender systems, where negative sampling plays an important role. Existing negative sampling methods restrict the relationship between nodes as either hard positive pairs or hard negative pairs. This leads to the loss of structural information, and lacks the mechanism to generate positive pairs for nodes with few neighbors. To overcome limitations, we propose a novel soft link-based sampling method, namely MixDec Sampling, which consists of Mixup Sampling module and Decay Sampling module. The Mixup Sampling augments node features by synthesizing new nodes and soft links, which provides sufficient number of samples for nodes with few neighbors. The Decay Sampling strengthens the digestion of graph structure information by generating soft links for node embedding learning. To the best of our knowledge, we are the first to model sampling relationships between nodes by soft links in GNN-based recommender systems. Extensive experiments demonstrate that the proposed MixDec Sampling can significantly and consistently improve the recommendation performance of several representative GNN-based models on various recommendation benchmarks.
• Abstract（参考訳）: グラフニューラルネットワークは、ネガティブサンプリングが重要な役割を果たす最近のレコメンデーションシステムで広く利用されている。 既存の負のサンプリング法では、ノード間の関係をハード正のペアまたはハード負のペアとして制限する。 これにより構造情報が失われ、隣人が少ないノードに対して正のペアを生成するメカニズムが欠如している。 制限を克服するために,Mixup SmplingモジュールとDecay SmplingモジュールからなるMixDec Smplingというソフトリンクベースのサンプリング手法を提案する。 Mixup Smplingは、新しいノードとソフトリンクを合成することによって、ノードの機能を増強する。 ディケイサンプリングは、ノード埋め込み学習のためのソフトリンクを生成することにより、グラフ構造情報の消化を強化する。 我々の知る限り、我々はGNNベースのレコメンデータシステムにおけるソフトリンクによるノード間の関係のサンプリングをモデル化した最初の人物である。 大規模な実験により、提案したMixDec Smplingは、様々なレコメンデーションベンチマークにおいて、いくつかの代表的GNNベースのモデルのレコメンデーション性能を大幅に改善できることが示された。

関連論文リスト

• Enhancing Link Prediction with Fuzzy Graph Attention Networks and Dynamic Negative Sampling [0.0]
  Fuzzy Graph Attention Networks (FGAT) は、動的負サンプリングのためにファジィ粗集合を統合する新しいアプローチである。 FNSはファジィ類似性に基づいて高品質な負エッジを選択し、トレーニング効率を向上させる。 2つの研究コラボレーションネットワークの実験は、FGATの優れたリンク予測精度を示し、最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-11-12T02:08:19Z)
• SGM-PINN: Sampling Graphical Models for Faster Training of Physics-Informed Neural Networks [4.262342157729123]
  SGM-PINNは物理情報ニューラルネットワーク(PINN)のトレーニング効率を向上させるグラフベースの重要度サンプリングフレームワークである 提案手法の利点を実証し,従来の最先端サンプリング手法と比較して3倍の収束性を実現した。
  論文  参考訳（メタデータ） (2024-07-10T04:31:50Z)
• Diffusion-based Negative Sampling on Graphs for Link Prediction [8.691564173331924]
  リンク予測は、ソーシャルネットワーク分析やレコメンデーションシステムなど、Web上の重要なアプリケーションを用いたグラフ解析の基本的なタスクである。 本稿では,潜在空間からフレキシブルかつ制御可能な硬さのレベルを持つ負ノード生成を可能にする,マルチレベル負サンプリングの新しい手法を提案する。 条件拡散に基づくマルチレベル負サンプリング (DMNS) と呼ばれる本手法は, 拡散モデルのマルコフ連鎖特性を利用して, 可変硬度の複数レベルにおいて負のノードを生成する。
  論文  参考訳（メタデータ） (2024-03-25T23:07:31Z)
• Faster Convergence with Less Communication: Broadcast-Based Subgraph Sampling for Decentralized Learning over Wireless Networks [33.73369874759397]
  $texttBASS$はD-SGDの収束を加速するために設計された放送ベースのサブグラフサンプリング手法である。 既存のリンクベースのスケジューリング手法と比較して,送信スロットが少ないため,$texttBASS$はより高速な収束を可能にする。
  論文  参考訳（メタデータ） (2024-01-24T20:00:23Z)
• Reinforcement Learning for Node Selection in Branch-and-Bound [52.2648997215667]
  現在の最先端セレクタは手作りのアンサンブルを使用して、ナイーブなサブノードセレクタと、個々のノードデータに依存する学習ノードセレクタを自動的に切り替える。 孤立ノードではなく木の状態全体を考慮しながら強化学習(RL)を用いる新しいシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2023-09-29T19:55:56Z)
• NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
  ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。 この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。 我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
  論文  参考訳（メタデータ） (2021-06-09T17:59:10Z)
• Maximizing Cohesion and Separation in Graph Representation Learning: A Distance-aware Negative Sampling Approach [9.278968846447215]
  非教師付きグラフ表現学習(GRL)とは、与えられた未ラベルグラフの構造を反映したノード埋め込みの低次元空間を学習することである。 このタスクの既存のアルゴリズムは、近隣ノードへのノード埋め込みの類似性を最大化する負のサンプリング目的に依存している。 本稿では,遠隔ノードペアの分離を最大化する,距離対応負サンプリング(DNS)を提案する。
  論文  参考訳（メタデータ） (2020-07-02T22:40:38Z)
• Bandit Samplers for Training Graph Neural Networks [63.17765191700203]
  グラフ畳み込みネットワーク(GCN)の訓練を高速化するために, ばらつきを低減したサンプリングアルゴリズムが提案されている。 これらのサンプリングアルゴリズムは、グラフ注意ネットワーク(GAT)のような固定重みよりも学習重量を含む、より一般的なグラフニューラルネットワーク(GNN)には適用できない。
  論文  参考訳（メタデータ） (2020-06-10T12:48:37Z)
• Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
  グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。 提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
  論文  参考訳（メタデータ） (2020-06-07T07:06:35Z)
• Reinforced Negative Sampling over Knowledge Graph for Recommendation [106.07209348727564]
  我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(kgPolicy)を開発した。 kgPolicyは、ターゲットのポジティブなインタラクションからナビゲートし、知識を意識したネガティブなシグナルを適応的に受信し、最終的にはリコメンダをトレーニングする潜在的なネガティブなアイテムを生成する。
  論文  参考訳（メタデータ） (2020-03-12T12:44:30Z)

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。