論文の概要: Graph Spectral Filtering with Chebyshev Interpolation for Recommendation
- arxiv url: http://arxiv.org/abs/2505.00552v1
- Date: Thu, 01 May 2025 14:28:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:55.327402
- Title: Graph Spectral Filtering with Chebyshev Interpolation for Recommendation
- Title（参考訳）: チェビシェフ補間によるグラフスペクトルフィルタリング
- Authors: Chanwoo Kim, Jinkyu Sung, Yebonn Han, Joonseok Lee,
- Abstract要約: 本稿では,グラフスペクトルフィルタリングに基づくグラフ畳み込みフィルタリングフレームワークであるChebyCFを紹介する。
ChebyCFは、複数のベンチマークにまたがる最先端のパフォーマンスと、合理的に高速な推論を実現している。
- 参考スコア（独自算出の注目度）: 13.336257299673578
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph convolutional networks have recently gained prominence in collaborative filtering (CF) for recommendations. However, we identify potential bottlenecks in two foundational components. First, the embedding layer leads to a latent space with limited capacity, overlooking locally observed but potentially valuable preference patterns. Also, the widely-used neighborhood aggregation is limited in its ability to leverage diverse preference patterns in a fine-grained manner. Building on spectral graph theory, we reveal that these limitations stem from graph filtering with a cut-off in the frequency spectrum and a restricted linear form. To address these issues, we introduce ChebyCF, a CF framework based on graph spectral filtering. Instead of a learned embedding, it takes a user's raw interaction history to utilize the full spectrum of signals contained in it. Also, it adopts Chebyshev interpolation to effectively approximate a flexible non-linear graph filter, and further enhances it by using an additional ideal pass filter and degree-based normalization. Through extensive experiments, we verify that ChebyCF overcomes the aforementioned bottlenecks and achieves state-of-the-art performance across multiple benchmarks and reasonably fast inference. Our code is available at https://github.com/chanwoo0806/ChebyCF.
- Abstract（参考訳）: グラフ畳み込みネットワークは、最近、リコメンデーションのためのコラボレーティブフィルタリング(CF)で注目されている。
しかし,2つの基本成分の潜在的なボトルネックを同定する。
まず、埋め込み層は、局所的に観察されるが潜在的に価値のある選好パターンを見渡すことで、限られた容量を持つ潜伏空間につながる。
また,広範に使用されている地区集約は,様々な嗜好パターンをきめ細かな方法で活用する能力に制限されている。
スペクトルグラフ理論に基づいて、これらの制限は周波数スペクトルのカットオフと制限された線形形式によるグラフフィルタリングに起因していることを明らかにする。
これらの問題に対処するために,グラフスペクトルフィルタリングに基づくCFフレームワークであるChebyCFを紹介する。
学習した埋め込みではなく、ユーザの生のインタラクション履歴を使って、その中の信号の完全なスペクトルを利用する。
また、フレキシブルな非線形グラフフィルタを効果的に近似するためにチェビシェフ補間を採用し、さらに、追加の理想パスフィルタと次数ベース正規化を用いることで拡張する。
広範な実験を通じて、ChebyCFが前述のボトルネックを克服し、複数のベンチマークで最先端のパフォーマンスを実現し、合理的に高速な推論を実現していることを確認した。
私たちのコードはhttps://github.com/chanwoo0806/ChebyCFで利用可能です。
関連論文リスト
- How Powerful is Graph Filtering for Recommendation [7.523823738965443]
グラフフィルタリングのパワーを抑制する2つの制限を示す。
様々なノイズ分布のため、グラフフィルタは全ての周波数にノイズが散らばっているスパースデータを劣化させることができない。
教師付きトレーニングは、トレーニングなしでグラフフィルタによって除去できる中周波数にノイズが集中している高密度データに対して、より悪いパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2024-06-13T05:37:54Z) - 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) - HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。
ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。
本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
論文 参考訳（メタデータ） (2023-10-03T17:42:09Z) - 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) - Convolutional Neural Networks on Graphs with Chebyshev Approximation,
Revisited [80.29747781984135]
ChebNetは、Chebyshevsを使ってスペクトルグラフの畳み込みを近似する初期の試みの1つである。
GCNはChebNetを単純化し、最初の2つのChebyshevしか利用せず、実際のデータセットでは依然としてパフォーマンスが優れている。
本稿では,Chebyshevに基づく新しいGNNモデルであるChebNetIIを提案する。
論文 参考訳（メタデータ） (2022-02-04T09:11:13Z) - Beyond Low-pass Filtering: Graph Convolutional Networks with Automatic
Filtering [61.315598419655224]
グラフ信号の全スペクトルをキャプチャする自動グラフ畳み込みネットワーク(AutoGCN)を提案する。
グラフスペクトル理論に基づいているが、私たちのAutoGCNも空間に局在しており、空間形式を持っている。
論文 参考訳（メタデータ） (2021-07-10T04:11:25Z) - 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) - 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) - Stacked Graph Filter [19.343260981528186]
グラフ信号処理の観点から,グラフ畳み込みネットワーク(GCN)について検討する。
学習可能な解パラメータでグラフフィルタを積み重ねることで、高度に適応的で堅牢なグラフ分類モデルを構築することができる。
論文 参考訳（メタデータ） (2020-11-22T11:20:14Z) - Framework for Designing Filters of Spectral Graph Convolutional Neural
Networks in the Context of Regularization Theory [1.0152838128195467]
グラフ畳み込みニューラルネットワーク(GCNN)はグラフ学習に広く利用されている。
グラフ上の滑らかさ関数はグラフラプラシアンの言葉で定義できる。
本稿では,グラフラプラシアンの正規化特性について検討し,スペクトルGCNNにおける正規化フィルタ設計のための一般化されたフレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-29T06:19:08Z) - Dependency Aware Filter Pruning [74.69495455411987]
重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。
以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。
所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
論文 参考訳（メタデータ） (2020-05-06T07:41:22Z)
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。