論文の概要: InfoDCL: Informative Noise Enhanced Diffusion Based Contrastive Learning

• arxiv url: http://arxiv.org/abs/2512.16576v1
• Date: Thu, 18 Dec 2025 14:15:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:32.094243
• Title: InfoDCL: Informative Noise Enhanced Diffusion Based Contrastive Learning
• Title（参考訳）: InfoDCL:Informative noise Enhanced Diffusion based Contrastive Learning
• Authors: Xufeng Liang, Zhida Qin, Chong Zhang, Tianyu Huang, Gangyi Ding,
• Abstract要約: 本稿では,新しい拡散型コントラスト学習フレームワークを提案する。 ノイズを補助的な意味情報と統合して信号を生成する単一ステップ拡散プロセスを用いる。 実世界の5つのデータセットの実験では、InfoDCLが最先端の手法を大幅に上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 14.525824265656558
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contrastive learning has demonstrated promising potential in recommender systems. Existing methods typically construct sparser views by randomly perturbing the original interaction graph, as they have no idea about the authentic user preferences. Owing to the sparse nature of recommendation data, this paradigm can only capture insufficient semantic information. To address the issue, we propose InfoDCL, a novel diffusion-based contrastive learning framework for recommendation. Rather than injecting randomly sampled Gaussian noise, we employ a single-step diffusion process that integrates noise with auxiliary semantic information to generate signals and feed them to the standard diffusion process to generate authentic user preferences as contrastive views. Besides, based on a comprehensive analysis of the mutual influence between generation and preference learning in InfoDCL, we build a collaborative training objective strategy to transform the interference between them into mutual collaboration. Additionally, we employ multiple GCN layers only during inference stage to incorporate higher-order co-occurrence information while maintaining training efficiency. Extensive experiments on five real-world datasets demonstrate that InfoDCL significantly outperforms state-of-the-art methods. Our InfoDCL offers an effective solution for enhancing recommendation performance and suggests a novel paradigm for applying diffusion method in contrastive learning frameworks.
• Abstract（参考訳）: コントラスト学習はレコメンデーションシステムにおいて有望な可能性を示している。 既存のメソッドは、元のインタラクショングラフをランダムに摂動させることで、スペーサービューを構築するのが一般的である。 このパラダイムは、レコメンデーションデータの希少な性質のため、不十分なセマンティック情報しかキャプチャできない。 そこで我々は,新しい拡散型コントラスト学習フレームワークInfoDCLを提案する。 ランダムにサンプリングされたガウスノイズを注入するのではなく、ノイズを補助的な意味情報と統合して信号を生成し、それらを標準拡散プロセスに供給し、コントラスト的なビューとして真のユーザ嗜好を生成する単一ステップ拡散プロセスを用いる。 さらに、InfoDCLにおける生成と嗜好学習の相互影響の包括的分析に基づいて、相互の相互干渉を相互協調に変換するための協調学習目標戦略を構築する。 さらに、推論段階でのみ複数のGCN層を用いて、トレーニング効率を維持しながら高次共起情報を組み込む。 5つの実世界のデータセットに対する大規模な実験は、InfoDCLが最先端の手法を大幅に上回っていることを示している。 我々のInfoDCLは、推薦性能を向上させる効果的なソリューションを提供し、対照的な学習フレームワークに拡散法を適用するための新しいパラダイムを提案する。

関連論文リスト

• Continuous-time Discrete-space Diffusion Model for Recommendation [25.432419904462694]
  CDRecは、新しいContinuous-time Discrete-space Diffusion Recommendationフレームワークである。 これは推奨精度と計算効率の両方において優れている。 実世界のデータセットの実験は、推奨精度と計算効率の両方においてCDRecの優れた性能を示す。
  論文  参考訳（メタデータ） (2025-11-15T09:06:57Z)
• Diffusion-Augmented Contrastive Learning: A Noise-Robust Encoder for Biosignal Representations [0.4061135251278187]
  本稿では,拡散モデルと教師付きコントラスト学習の概念を融合した,拡散拡張コントラスト学習(DACL)を提案する。 Scattering Transformer(ST)機能に基づいてトレーニングされた軽量変分オートエンコーダ(VAE)によって作成された潜時空間で動作する。 U-Netスタイルのエンコーダは、教師付きコントラスト目標を用いて訓練され、様々な拡散時間ステップでクラス識別とノイズとの堅牢性のバランスをとる表現を学ぶ。
  論文  参考訳（メタデータ） (2025-09-24T12:15:35Z)
• Diffusion-augmented Graph Contrastive Learning for Collaborative Filter [5.6604917723826365]
  グラフベースの協調フィルタリングはレコメンデーションシステムにおいて顕著なアプローチとして確立されている。 グラフコントラスト学習の最近の進歩は、データの分散問題を緩和する有望な可能性を示している。 本稿では,DGCL(Diffusion-augmented Contrastive Learning)による協調フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2025-03-20T16:15:20Z)
• Exemplar-condensed Federated Class-incremental Learning [9.970891140174658]
  本稿では,ストリーミングデータから実画像のトレーニング特性を情報リハーサルの例に活かすために,Exemplar-Condensed Federated Class-Incremental Learning (ECoral)を提案する。
  論文  参考訳（メタデータ） (2024-12-25T15:13:40Z)
• Dual Conditional Diffusion Models for Sequential Recommendation [63.82152785755723]
  シーケンスレコメンデーションのための二重条件拡散モデル(DCRec)を提案する。 DCRecは2つの条件を前と逆の拡散プロセスに埋め込むことで暗黙的および明示的な情報を統合する。 これによってモデルは、明示的なユーザ-イテムインタラクションを活用してレコメンデーションプロセスをガイドしながら、価値あるシーケンシャルおよびコンテキスト情報を保持することができる。
  論文  参考訳（メタデータ） (2024-10-29T11:51:06Z)
• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。 中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• Disentangled Noisy Correspondence Learning [56.06801962154915]
  クロスモーダル検索は、モダリティ間の潜在対応を理解する上で重要である。 DisNCLはノイズ対応学習における特徴分散のための新しい情報理論フレームワークである。
  論文  参考訳（メタデータ） (2024-08-10T09:49:55Z)
• Learning Bias-Invariant Representation by Cross-Sample Mutual Information Minimization [77.8735802150511]
  対象タスクが誤用したバイアス情報を除去するために,クロスサンプル対逆脱バイアス法(CSAD)を提案する。 相関測定は, 対向的偏り評価において重要な役割を担い, クロスサンプル型相互情報推定器によって行われる。 我々は,提案手法の最先端手法に対する利点を検証するために,公開データセットの徹底的な実験を行った。
  論文  参考訳（メタデータ） (2021-08-11T21:17:02Z)

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。