論文の概要: How Do Graph Signals Affect Recommendation: Unveiling the Mystery of Low and High-Frequency Graph Signals

• arxiv url: http://arxiv.org/abs/2512.15744v1
• Date: Wed, 10 Dec 2025 06:57:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.648064
• Title: How Do Graph Signals Affect Recommendation: Unveiling the Mystery of Low and High-Frequency Graph Signals
• Title（参考訳）: グラフ信号はレコメンデーションにどのように影響するか:低周波・高周波グラフ信号の謎を解き明かす
• Authors: Feng Liu, Hao Cang, Huanhuan Yuan, Jiaqing Fan, Yongjing Hao, Fuzhen Zhuang, Guanfeng Liu, Pengpeng Zhao,
• Abstract要約: スペクトルグラフニューラルネットワーク(GNN)は、グラフ信号のモデリングに非常に有効である。 近年の研究では高周波信号の重要性が強調されている。 本稿では,グラフ信号がレコメンデーション性能に与える影響について検討する。
• 参考スコア（独自算出の注目度）: 24.943803382279203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spectral graph neural networks (GNNs) are highly effective in modeling graph signals, with their success in recommendation often attributed to low-pass filtering. However, recent studies highlight the importance of high-frequency signals. The role of low-frequency and high-frequency graph signals in recommendation remains unclear. This paper aims to bridge this gap by investigating the influence of graph signals on recommendation performance. We theoretically prove that the effects of low-frequency and high-frequency graph signals are equivalent in recommendation tasks, as both contribute by smoothing the similarities between user-item pairs. To leverage this insight, we propose a frequency signal scaler, a plug-and-play module that adjusts the graph signal filter function to fine-tune the smoothness between user-item pairs, making it compatible with any GNN model. Additionally, we identify and prove that graph embedding-based methods cannot fully capture the characteristics of graph signals. To address this limitation, a space flip method is introduced to restore the expressive power of graph embeddings. Remarkably, we demonstrate that either low-frequency or high-frequency graph signals alone are sufficient for effective recommendations. Extensive experiments on four public datasets validate the effectiveness of our proposed methods. Code is avaliable at https://github.com/mojosey/SimGCF.
• Abstract（参考訳）: スペクトルグラフニューラルネットワーク(GNN)はグラフ信号のモデリングに非常に有効であり、その推奨はローパスフィルタリングによることが多い。 しかし、近年の研究は高周波信号の重要性を強調している。 推薦における低周波および高周波グラフ信号の役割は未だ不明である。 本稿では,グラフ信号がレコメンデーション性能に与える影響を調査し,このギャップを埋めることを目的とする。 我々は,低周波および高周波グラフ信号の効果が,ユーザ-イテムペア間の類似性を円滑にすることで,推薦タスクにおいて等価であることを理論的に証明する。 この知見を活用するために,グラフ信号フィルタ関数を調整し,ユーザとイテムのペア間の滑らかさを微調整し,任意のGNNモデルと互換性のある周波数信号スケーラを提案する。 さらに,グラフ埋め込みに基づく手法が,グラフ信号の特性を完全に把握できないことを確認し,証明する。 この制限に対処するため、グラフ埋め込みの表現力を取り戻すためにスペースフリップ法が導入された。 注目すべきは、低周波または高周波のグラフ信号だけでは効果的なレコメンデーションに十分であることを示すことである。 4つの公開データセットに対する大規模な実験により,提案手法の有効性が検証された。 コードはhttps://github.com/mojosey/SimGCF.comで検証可能である。

関連論文リスト

• Graph Signal Generative Diffusion Models [74.75869068073577]
  拡散過程を用いたグラフ信号生成のためのU字型エンコーダ-デコーダグラフニューラルネットワーク(U-GNN)を提案する。 アーキテクチャは、エンコーダとデコーダパス間の接続をスキップすることで、異なる解像度でノード機能を学ぶ。 株価の確率予測における拡散モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2025-09-21T21:57:27Z)
• SlepNet: Spectral Subgraph Representation Learning for Neural Dynamics [5.424636897130673]
  グラフニューラルネットワークは、グラフ構造化データの機械学習に有用である。 それらはグラフ上のパターン信号の表現に限られている。 SlepNetはグラフ調和ではなくSlepianベースを使用する新しいGCNである。
  論文  参考訳（メタデータ） (2025-06-19T21:03:52Z)
• Graph Signal Inference by Learning Narrowband Spectral Kernels [1.740992908651449]
  グラフ周波数領域における狭帯域カーネルの組み合わせによって信号スペクトルが表現される新しいグラフ信号モデルを提案する。 提案手法は,文献における様々な参照手法と比較して,極めて良好な信号精度を提供することを示す。
  論文  参考訳（メタデータ） (2025-02-19T12:54:39Z)
• 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)
• DFGNN: Dual-frequency Graph Neural Network for Sign-aware Feedback [51.72177873832969]
  本稿では,周波数フィルタの観点から正負のフィードバックをモデル化する新しいモデルを提案する。 実世界のデータセットについて広範な実験を行い、提案モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-24T07:07:41Z)
• Homophily-Related: Adaptive Hybrid Graph Filter for Multi-View Graph Clustering [29.17784041837907]
  マルチビューグラフクラスタリング(AHGFC)のための適応ハイブリッドグラフフィルタを提案する。 AHGFCはグラフ結合集約行列に基づいてノード埋め込みを学習する。 実験結果から,同好性グラフと異好性グラフを含む6つのデータセットに対して,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-01-05T07:27:29Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Signed Graph Neural Networks: A Frequency Perspective [14.386571627652975]
  グラフ畳み込みネットワーク(GCN)は、正のリンクのみを含む符号なしグラフ用に設計されている。 我々は2つの異なる符号付きグラフニューラルネットワークを提案し、その1つは低周波情報のみを保持し、もう1つは高周波情報を保持する。
  論文  参考訳（メタデータ） (2022-08-15T16:42:18Z)
• FiGLearn: Filter and Graph Learning using Optimal Transport [49.428169585114496]
  信号観測からグラフとその生成フィルタを学習するための新しいグラフ信号処理フレームワークを提案する。 ごくわずかな情報しか得られない場合、このフレームワークが欠落した値を推測するのにどのように使えるかを示す。
  論文  参考訳（メタデータ） (2020-10-29T10:00:42Z)
• Fast Graph Attention Networks Using Effective Resistance Based Graph Sparsification [70.50751397870972]
  FastGATは、スペクトルスペーシフィケーションを用いて、注目に基づくGNNを軽量にし、入力グラフの最適プルーニングを生成する手法である。 我々は,ノード分類タスクのための大規模実世界のグラフデータセット上でFastGATを実験的に評価した。
  論文  参考訳（メタデータ） (2020-06-15T22:07:54Z)

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。