論文の概要: Contrastive Matrix Completion with Denoising and Augmented Graph Views for Robust Recommendation

• arxiv url: http://arxiv.org/abs/2506.10658v1
• Date: Thu, 12 Jun 2025 12:47:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.736475
• Title: Contrastive Matrix Completion with Denoising and Augmented Graph Views for Robust Recommendation
• Title（参考訳）: ロバストレコメンデーションのためのデノイングと拡張グラフビューによる比較行列補完
• Authors: Narges Nemati, Mostafa Haghir Chehreghani,
• Abstract要約: マトリックス補完は推薦システムにおいて広く採用されているフレームワークである。 コントラスト学習(MCCL)を用いた行列補完法を提案する。 提案手法は,予測スコアの数値精度を向上するだけでなく,ランキング指標の最大36%を向上する上で,優れたランキングを生成する。
• 参考スコア（独自算出の注目度）: 1.0128808054306186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Matrix completion is a widely adopted framework in recommender systems, as predicting the missing entries in the user-item rating matrix enables a comprehensive understanding of user preferences. However, current graph neural network (GNN)-based approaches are highly sensitive to noisy or irrelevant edges--due to their inherent message-passing mechanisms--and are prone to overfitting, which limits their generalizability. To overcome these challenges, we propose a novel method called Matrix Completion using Contrastive Learning (MCCL). Our approach begins by extracting local neighborhood subgraphs for each interaction and subsequently generates two distinct graph representations. The first representation emphasizes denoising by integrating GNN layers with an attention mechanism, while the second is obtained via a graph variational autoencoder that aligns the feature distribution with a standard prior. A mutual learning loss function is employed during training to gradually harmonize these representations, enabling the model to capture common patterns and significantly enhance its generalizability. Extensive experiments on several real-world datasets demonstrate that our approach not only improves the numerical accuracy of the predicted scores--achieving up to a 0.8% improvement in RMSE--but also produces superior rankings with improvements of up to 36% in ranking metrics.
• Abstract（参考訳）: マトリックス補完はレコメンデーションシステムにおいて広く採用されているフレームワークであり、ユーザ・イテム評価行列の欠落を予測することで、ユーザの好みを包括的に理解することができる。 しかし、現在のグラフニューラルネットワーク(GNN)ベースのアプローチは、固有のメッセージパッシングメカニズムのため、ノイズや無関係なエッジに対して非常に敏感であり、一般化性を制限するため、過度に適合する傾向がある。 これらの課題を克服するために,コントラシブ・ラーニング(MCCL)を用いたマトリックス・コンプリート法を提案する。 我々のアプローチは、各相互作用に対して局所的な近傍部分グラフを抽出し、2つの異なるグラフ表現を生成することから始まる。 第1の表現は、GNN層をアテンション機構と統合することでデノナイズを強調し、第2の表現は、特徴分布を標準前のものと整列するグラフ変分オートエンコーダによって得られる。 相互学習損失関数を用いてこれらの表現を段階的に調和させ、モデルが共通のパターンを捕捉し、その一般化可能性を大幅に向上させることができる。 いくつかの実世界のデータセットに対する大規模な実験により、我々のアプローチは予測されたスコアの数値的精度を向上するだけでなく、RMSEの最大0.8%の改善を達成し、ランキング指標の最大36%の改善を達成している。

関連論文リスト

• Multi-Channel Hypergraph Contrastive Learning for Matrix Completion [37.05130230844348]
  グラフニューラルネットワーク(GNN)は、行列補完において広く使われており、アイテムよりもユーザの好みを捉えている。 行列補完のためのマルチチャネルハイパーグラフコントラスト学習フレームワーク MHCL を提案する。 5つの公開データセットの実験により、提案手法が現在の最先端手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-02T22:59:36Z)
• Learning for Transductive Threshold Calibration in Open-World Recognition [83.35320675679122]
  グラフニューラルネットワークを用いた高剛性と適応性を有するトランスダクティブしきい値キャリブレーション法であるOpenGCNを導入する。 オープンワールドの視覚認識ベンチマークにおける実験は、オープンワールドのしきい値校正のための既存のポストホック校正方法よりもOpenGCNの方が優れていることを検証する。
  論文  参考訳（メタデータ） (2023-05-19T23:52:48Z)
• A Simplified Framework for Contrastive Learning for Node Representations [2.277447144331876]
  グラフにノードを埋め込むために,グラフニューラルネットワークと組み合わせてコントラスト学習を展開できる可能性を検討する。 組込み行列の単純なカラムワイド後処理により, 組込み結果の品質とトレーニング時間を大幅に改善できることを示す。 この修正により、下流の分類タスクは最大1.5%改善され、8つの異なるベンチマークのうち6つで既存の最先端のアプローチに勝っている。
  論文  参考訳（メタデータ） (2023-05-01T02:04:36Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Graph Contrastive Learning with Adaptive Augmentation [23.37786673825192]
  本稿では,適応的拡張を用いた新しいグラフコントラスト表現学習法を提案する。 具体的には,ノードの集中度に基づく拡張スキームを設計し,重要な結合構造を明らかにする。 提案手法は,既存の最先端のベースラインを一貫して上回り,教師付きベースラインを超えている。
  論文  参考訳（メタデータ） (2020-10-27T15:12:21Z)
• Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
  グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。 ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。 連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-04T06:59:56Z)

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。