論文の概要: Denoised Recommendation Model with Collaborative Signal Decoupling

• arxiv url: http://arxiv.org/abs/2511.04237v1
• Date: Thu, 06 Nov 2025 10:18:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.385524
• Title: Denoised Recommendation Model with Collaborative Signal Decoupling
• Title（参考訳）: 協調的信号デカップリングを用いた認知的推薦モデル
• Authors: Zefeng Li, Ning Yang,
• Abstract要約: 協調フィルタリング (CF) アルゴリズムは, ユーザ・イテム相互作用行列のノイズにより, 最適以下の推薦性能に悩まされる。 本研究では,不安定な相互作用を識別する新しいGNNベースのCFモデル DRCSDを提案する。
• 参考スコア（独自算出の注目度）: 2.7629252298084026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although the collaborative filtering (CF) algorithm has achieved remarkable performance in recommendation systems, it suffers from suboptimal recommendation performance due to noise in the user-item interaction matrix. Numerous noise-removal studies have improved recommendation models, but most existing approaches conduct denoising on a single graph. This may cause attenuation of collaborative signals: removing edges between two nodes can interrupt paths between other nodes, weakening path-dependent collaborative information. To address these limitations, this study proposes a novel GNN-based CF model called DRCSD for denoising unstable interactions. DRCSD includes two core modules: a collaborative signal decoupling module (decomposes signals into distinct orders by structural characteristics) and an order-wise denoising module (performs targeted denoising on each order). Additionally, the information aggregation mechanism of traditional GNN-based CF models is modified to avoid cross-order signal interference until the final pooling operation. Extensive experiments on three public real-world datasets show that DRCSD has superior robustness against unstable interactions and achieves statistically significant performance improvements in recommendation accuracy metrics compared to state-of-the-art baseline models.
• Abstract（参考訳）: 協調フィルタリング(CF)アルゴリズムはレコメンデーションシステムにおいて顕著な性能を達成しているが,ユーザ・イテム相互作用行列のノイズにより,最適以下のレコメンデーション性能に悩まされている。 多くのノイズ除去研究はレコメンデーションモデルを改善したが、既存のほとんどのアプローチは1つのグラフでノイズ除去を行う。 2つのノード間のエッジを削除することは、他のノード間のパスを中断し、パス依存の協調情報を弱める。 これらの制約に対処するため,不安定な相互作用を復調するための DRCSD と呼ばれる新しい GNN ベースのCF モデルを提案する。 DRCSDには2つのコアモジュールがある:コラボレーティブシグナルデカップリングモジュール(信号は構造的特性によって異なる順序に分解する)とオーダーワイズデノナイジングモジュール(各順序で目的のデノナイジングを行う)である。 さらに、従来のGNNベースのCFモデルの情報集約機構を変更して、最終的なプール動作まで信号の相互干渉を回避する。 3つのパブリックな実世界のデータセットに対する大規模な実験により、DRCSDは不安定な相互作用に対して優れた堅牢性を示し、最先端のベースラインモデルと比較して、推奨精度のメトリクスにおいて統計的に有意なパフォーマンス改善を実現している。

関連論文リスト

• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
  生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。 意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。 提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
  MISO (Multiple-input Single-output) フレームワークを提案する。 それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
  論文  参考訳（メタデータ） (2025-02-12T18:54:10Z)
• DenoMAE: A Multimodal Autoencoder for Denoising Modulation Signals [21.25974800554959]
  デノマエ(DenoMAE)は、プレトレーニング中に変調信号を復調するための新しいフレームワークである。 ノイズを含む複数の入力モダリティを組み込んで、クロスモーダル学習を強化する。 自動変調分類タスクにおける最先端の精度を実現する。
  論文  参考訳（メタデータ） (2025-01-20T15:23:16Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Dual-domain Collaborative Denoising for Social Recommendation [13.904160376949381]
  ソーシャルレコメンデーションのためのデュアルドメイン協調型認知モデル(textbfDCDSR$)を提案する。 構造レベルの協調認知モジュールでは、対話領域からの情報はまずソーシャルネットワークの認知をガイドするために使用される。 組込み空間協調型除音モジュールは、ノイズクロスドメイン拡散問題に抵抗する。
  論文  参考訳（メタデータ） (2024-05-08T10:23:08Z)
• Collaborative Filtering Based on Diffusion Models: Unveiling the Potential of High-Order Connectivity [10.683635786183894]
  CF-Diffは新しい拡散モデルに基づく協調フィルタリング手法である。 マルチホップの隣人と一緒に、協調的な信号を完全に活用することができる。 最高の競争相手に比べて7.29%も上昇している。
  論文  参考訳（メタデータ） (2024-04-22T14:49:46Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Unsupervised Learning for Pilot-free Transmission in 3GPP MIMO Systems [6.352264764099531]
  本稿では、復調基準信号(DM-RS)のない新しいダウンリンクデータ構造を提案する。 ユーザ側で繰り返し構造を実行することで,正準相関解析により信頼性の高いリカバリが可能であることを示す。 また,OFDMシステムにおけるCCA性能向上のための2つの効果的なメカニズムを提案する。
  論文  参考訳（メタデータ） (2023-02-04T16:32:40Z)
• Towards Stable Co-saliency Detection and Object Co-segmentation [12.979401244603661]
  本稿では,CoSODとCoSEGを同時検出する新しいモデルを提案する。 まず、ダミーオーダー機構(DOM)とリカレントユニット(RU)を含むマルチパス安定リカレントユニット(MSRU)を提案する。 提案したMSRUは、CoSOD(CoSEG)モデルが堅牢な画像間関係をキャプチャするだけでなく、秩序感を低減し、より安定した推論とトレーニングプロセスを実現する。
  論文  参考訳（メタデータ） (2022-09-25T03:58:49Z)
• Exploiting Temporal Structures of Cyclostationary Signals for Data-Driven Single-Channel Source Separation [98.95383921866096]
  単一チャネルソース分離(SCSS)の問題点について検討する。 我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。 本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-22T14:04:56Z)

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。