論文の概要: GSPRec: Temporal-Aware Graph Spectral Filtering for Recommendation

• arxiv url: http://arxiv.org/abs/2505.11552v1
• Date: Thu, 15 May 2025 15:49:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.697757
• Title: GSPRec: Temporal-Aware Graph Spectral Filtering for Recommendation
• Title（参考訳）: GSPRec: 推奨のための時間認識グラフスペクトルフィルタリング
• Authors: Ahmad Bin Rabiah, Julian McAuley,
• Abstract要約: 本稿では,逐次的インフォームドグラフ構築を通じて時間遷移を統合するグラフスペクトルモデルGSPRecを紹介する。 GSPRecはマルチホップ拡散によってアイテム遷移を符号化し、スペクトル処理に対称ラプラシアンを使用できる。 ユーザの嗜好を捉えるために,ガウス帯域通過フィルタを用いて中頻度,ユーザレベルのパターンを抽出し,低域通過フィルタによりグローバルなトレンドを維持するという,二重フィルタ機構を設計する。
• 参考スコア（独自算出の注目度）: 18.379840329713403
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based recommendation systems are effective at modeling collaborative patterns but often suffer from two limitations: overreliance on low-pass filtering, which suppresses user-specific signals, and omission of sequential dynamics in graph construction. We introduce GSPRec, a graph spectral model that integrates temporal transitions through sequentially-informed graph construction and applies frequency-aware filtering in the spectral domain. GSPRec encodes item transitions via multi-hop diffusion to enable the use of symmetric Laplacians for spectral processing. To capture user preferences, we design a dual-filtering mechanism: a Gaussian bandpass filter to extract mid-frequency, user-level patterns, and a low-pass filter to retain global trends. Extensive experiments on four public datasets show that GSPRec consistently outperforms baselines, with an average improvement of 6.77% in NDCG@10. Ablation studies show the complementary benefits of both sequential graph augmentation and bandpass filtering.
• Abstract（参考訳）: グラフベースのレコメンデーションシステムはコラボレーティブパターンのモデル化に有効であるが、低域フィルタリングへの過度な依存と、グラフ構築におけるシーケンシャルダイナミクスの欠落という2つの制限に悩まされることが多い。 本稿では,逐次的インフォームドグラフ構築を通じて時間遷移を統合するグラフスペクトルモデルであるGSPRecを紹介し,スペクトル領域に周波数対応フィルタリングを適用する。 GSPRecはマルチホップ拡散によってアイテム遷移を符号化し、スペクトル処理に対称ラプラシアンを使用できる。 ユーザの嗜好を捉えるために,ガウス帯域通過フィルタを用いて中頻度,ユーザレベルのパターンを抽出し,低域通過フィルタによりグローバルなトレンドを維持するという,二重フィルタ機構を設計する。 4つの公開データセットに対する大規模な実験によると、GSPRecはベースラインを一貫して上回り、NDCG@10では平均6.77%改善している。 アブレーション研究は、逐次グラフ拡張とバンドパスフィルタリングの相補的な利点を示している。

関連論文リスト

• Towards Anomaly-Aware Pre-Training and Fine-Tuning for Graph Anomaly Detection [59.042018542376596]
  グラフ異常検出(GAD)は近年注目度が高まりつつあるが、2つの重要な要因があるため、依然として困難である。 Anomaly-Aware Pre-Training and Fine-Tuning (APF)は、GADの課題を軽減するためのフレームワークである。 10のベンチマークデータセットに関する総合的な実験は、最先端のベースラインと比較してAPFの優れたパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-19T09:57:35Z)
• Collaborative Filtering Meets Spectrum Shift: Connecting User-Item Interaction with Graph-Structured Side Information [11.650613484855356]
  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。
  論文  参考訳（メタデータ） (2025-02-12T02:24:26Z)
• S-Diff: An Anisotropic Diffusion Model for Collaborative Filtering in Spectral Domain [23.22881271027173]
  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。
  論文  参考訳（メタデータ） (2024-12-31T10:54:41Z)
• 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)
• FilterNet: Harnessing Frequency Filters for Time Series Forecasting [34.83702192033196]
  FilterNetは、時系列信号の特定の成分を選択的に通過または減衰させることにより、重要な情報的時間パターンを抽出するために、我々の提案した学習可能な周波数フィルタ上に構築されている。 2つのフィルタを備えることで、FilterNetは、時系列文学で広く採用されている線形およびアテンションマッピングを概ねサロゲートすることができる。
  論文  参考訳（メタデータ） (2024-11-03T16:20:41Z)
• 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)
• Frequency-aware Graph Signal Processing for Collaborative Filtering [26.317108637430664]
  協調フィルタリングのための周波数対応グラフ信号処理法(FaGSP)を提案する。 まず,理想的な高域通過フィルタと理想的な低域通過フィルタからなるカスケードフィルタモジュールを設計する。 そこで,2つの低域通過フィルタからなる並列フィルタモジュールを考案した。
  論文  参考訳（メタデータ） (2024-02-13T12:53:18Z)
• 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)

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。