論文の概要: Stochastic Deep Graph Clustering for Practical Group Formation

• arxiv url: http://arxiv.org/abs/2511.02879v1
• Date: Tue, 04 Nov 2025 08:47:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.189991
• Title: Stochastic Deep Graph Clustering for Practical Group Formation
• Title（参考訳）: グループ形成のための確率的深部グラフクラスタリング
• Authors: Junhyung Park, Hyungjin Kim, Seokho Ahn, Young-Duk Seo,
• Abstract要約: DeepFormは、グループレコメンデータシステムの3つの主要な運用要件を満たすように設計されたフレームワークである。 DeepFormは、高階構造信号を効果的にキャプチャする軽量なGCNアーキテクチャを採用している。 実験により、DeepFormは、様々なベースラインと比較して、優れたグループ生成品質、効率、レコメンデーション精度を達成することが示された。
• 参考スコア（独自算出の注目度）: 9.846802021705168
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: While prior work on group recommender systems (GRSs) has primarily focused on improving recommendation accuracy, most approaches assume static or predefined groups, making them unsuitable for dynamic, real-world scenarios. We reframe group formation as a core challenge in GRSs and propose DeepForm (Stochastic Deep Graph Clustering for Practical Group Formation), a framework designed to meet three key operational requirements: (1) the incorporation of high-order user information, (2) real-time group formation, and (3) dynamic adjustment of the number of groups. DeepForm employs a lightweight GCN architecture that effectively captures high-order structural signals. Stochastic cluster learning enables adaptive group reconfiguration without retraining, while contrastive learning refines groups under dynamic conditions. Experiments on multiple datasets demonstrate that DeepForm achieves superior group formation quality, efficiency, and recommendation accuracy compared with various baselines.
• Abstract（参考訳）: グループレコメンデータシステム(GRS)に関する先行研究は、主に推奨精度の改善に重点を置いているが、ほとんどのアプローチでは、静的または事前定義されたグループを想定しているため、動的で現実世界のシナリオには適さない。 我々は,グループ形成をGRSの中核的課題として再編成し,(1)高次ユーザ情報の導入,(2)リアルタイムグループ形成,(3)グループ数の動的調整という,3つの主要な運用要件を満たすためのDeepForm(Stochastic Deep Graph Clustering for Practical Group Formation)を提案する。 DeepFormは、高階構造信号を効果的にキャプチャする軽量なGCNアーキテクチャを採用している。 確率的クラスタ学習は適応的なグループ再構成を可能にするが、対照的な学習は動的条件下でグループを洗練させる。 複数のデータセットの実験では、DeepFormは、さまざまなベースラインと比較して、グループ生成の品質、効率、レコメンデーションの精度が優れていることが示されている。

関連論文リスト

• Prompt-Guided Relational Reasoning for Social Behavior Understanding with Vision Foundation Models [8.36651942320007]
  グループアクティビティ検出(GAD)は、ビデオ内での社会的グループとその集団行動を認識することを含む。 Vision Foundation Models(VFM)はDinoV2と同様、優れた機能を提供するが、主にオブジェクト中心のデータに基づいて事前訓練されている。 本稿では,Pmpt-driven Group Activity Detection (ProGraD)を導入し,そのギャップを1つに埋める手法を提案する。
  論文  参考訳（メタデータ） (2025-08-11T13:59:22Z)
• Group Sequence Policy Optimization [55.40088895148603]
  Group Sequence Policy Optimization (GSPO) は、安定的で効率的でパフォーマンスの高い強化学習アルゴリズムである。 GSPOは、シーケンスの確率に基づいて重要度を定義し、シーケンスレベルのクリッピング、報酬、最適化を行う。
  論文  参考訳（メタデータ） (2025-07-24T03:50:32Z)
• DACL-RAG: Data Augmentation Strategy with Curriculum Learning for Retrieval-Augmented Generation [54.26665681604041]
  DACL-RAGは多段階データ拡張戦略と多段階学習パラダイムを組み合わせた多段階RAGトレーニングフレームワークである。 我々のフレームワークは、4つのオープンドメインQAデータセットで一貫した有効性を示し、複数の高度なメソッドに対して2%から4%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-05-15T16:53:04Z)
• Leveraging Member-Group Relations via Multi-View Graph Filtering for Effective Group Recommendation [7.787211625411271]
  Group-GFは、多視点グラフ(GF)による各グループとの類似性の極めて高速なレコメンデーションのための新しいアプローチである 本稿では,Group-GFがランタイムを大幅に削減し,最先端のレコメンデーション精度を実現することを示す。
  論文  参考訳（メタデータ） (2025-02-13T08:05:14Z)
• Take One Gram of Neural Features, Get Enhanced Group Robustness [23.541213868620837]
  経験的リスク最小化で訓練された機械学習モデルの予測性能は、分散シフト下で大幅に低下する可能性がある。 本稿では,識別モデルの抽出した特徴の文法行列に基づいて,トレーニングデータセットをグループに分割する。 このアプローチは、ERMに対するグループロバスト性を向上するだけでなく、最近のすべてのベースラインを上回ります。
  論文  参考訳（メタデータ） (2022-08-26T12:34:55Z)
• Just Train Twice: Improving Group Robustness without Training Group Information [101.84574184298006]
  経験的リスク最小化による標準トレーニングは、特定のグループにおける平均的かつ低い精度で高い精度を達成するモデルを生成することができる。 群分布的ロバストな最適化 (group DRO) のような、最悪のグループ精度を達成する以前のアプローチでは、トレーニングポイントごとに高価なグループアノテーションが必要である。 本稿では,複数のエポックに対して標準的なERMモデルを訓練し,第1モデルが誤分類したトレーニング例を重み付けする第2モデルを訓練する,単純な2段階のアプローチであるJTTを提案する。
  論文  参考訳（メタデータ） (2021-07-19T17:52:32Z)
• Learning Multi-Attention Context Graph for Group-Based Re-Identification [214.84551361855443]
  オーバーラップしていないカメラシステムを介して人々のグループを再識別または取得することを学ぶことは、ビデオ監視において重要なアプリケーションです。 本研究では,グループre-idというグループを識別するためのコンテキスト情報の利用を検討する。 本研究では,グループベースリドタスクを同時に処理するグラフニューラルネットワークに基づく新しい統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-29T09:57:47Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)
• GP-Aligner: Unsupervised Non-rigid Groupwise Point Set Registration Based On Optimized Group Latent Descriptor [15.900382629390297]
  GP-Aligner という新しい手法を提案する。 従来の非学習手法と比較して,提案手法はディープニューラルネットワークのパワーを活用することで,競争上の優位性を得る。 GP-Alignerは,グループワイズ・ポイント・セット登録のための最先端手法と比較して,精度と計算効率を両立させる。
  論文  参考訳（メタデータ） (2020-07-25T17:09:53Z)

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。