論文の概要: RaDAR: Relation-aware Diffusion-Asymmetric Graph Contrastive Learning for Recommendation
- arxiv url: http://arxiv.org/abs/2603.16800v1
- Date: Tue, 17 Mar 2026 17:05:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-18 17:42:07.443763
- Title: RaDAR: Relation-aware Diffusion-Asymmetric Graph Contrastive Learning for Recommendation
- Title（参考訳）: RaDAR:レコメンデーションのための関係認識拡散非対称グラフコントラスト学習
- Authors: Yixuan Huang, Jiawei Chen, Shengfan Zhang, Zongsheng Cao,
- Abstract要約: RaDARは,グローバルな構造を捉えるグラフ生成モデルと,ノイズの多いエッジを洗練するための関係認識型認知モデルを組み合わせた,新しいフレームワークである。
RaDARは、特にノイズやスパース条件下で、最先端の手法を一貫して上回る。
- 参考スコア（独自算出の注目度）: 12.682517297917828
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Collaborative filtering (CF) recommendation has been significantly advanced by integrating Graph Neural Networks (GNNs) and Graph Contrastive Learning (GCL). However, (i) random edge perturbations often distort critical structural signals and degrade semantic consistency across augmented views, and (ii) data sparsity hampers the propagation of collaborative signals, limiting generalization. To tackle these challenges, we propose RaDAR (Relation-aware Diffusion-Asymmetric Graph Contrastive Learning Framework for Recommendation Systems), a novel framework that combines two complementary view generation mechanisms: a graph generative model to capture global structure and a relation-aware denoising model to refine noisy edges. RaDAR introduces three key innovations: (1) asymmetric contrastive learning with global negative sampling to maintain semantic alignment while suppressing noise; (2) diffusion-guided augmentation, which employs progressive noise injection and denoising for enhanced robustness; and (3) relation-aware edge refinement, dynamically adjusting edge weights based on latent node semantics. Extensive experiments on three public benchmarks demonstrate that RaDAR consistently outperforms state-of-the-art methods, particularly under noisy and sparse conditions.
- Abstract（参考訳）: 協調フィルタリング(CF)推奨は、グラフニューラルネットワーク(GNN)とグラフコントラスト学習(GCL)を統合することで大幅に進歩した。
しかし、
(i)ランダムエッジ摂動は、しばしば重要な構造的信号を歪曲し、拡張ビュー全体にわたって意味的一貫性を低下させ、
(II)データ空間は協調的な信号の伝播を妨げ、一般化を制限する。
これらの課題に対処するため,RaDAR(Relation-aware Diffusion-Asymmetric Graph Contrastive Learning Framework for Recommendation Systems)を提案する。
ノイズを抑えながら意味的アライメントを維持するために,(1)大域的負サンプリングを用いた非対称的コントラスト学習,(2)プログレッシブノイズ注入を用いた拡散誘導強化,(3)潜在ノード意味論に基づくエッジウェイトを動的に調整する関係認識エッジ改善,の3つの重要なイノベーションを紹介した。
3つの公開ベンチマークの大規模な実験により、RaDARは、特にノイズやスパース条件下で、最先端の手法を一貫して上回っていることが示されている。
関連論文リスト
- ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。
ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。
Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
論文 参考訳（メタデータ） (2026-02-10T20:44:43Z) - Why not Collaborative Filtering in Dual View? Bridging Sparse and Dense Models [17.01882282913444]
協調フィルタリングは現代のレコメンデーターシステムの基盤となっている。
密埋め込みのセマンティック表現性とスパース相互作用パターンの構造的信頼性を統合した統合フレームワークSaD(Sparse and Dense)を提案する。
これら2つの視点を整合させることで、より優れたグローバルSNRが得られることを示す。
論文 参考訳（メタデータ） (2026-01-14T08:47:07Z) - Spectral Neuro-Symbolic Reasoning II: Semantic Node Merging, Entailment Filtering, and Knowledge Graph Alignment [0.0]
本報告は,3つの意味的基盤的拡張を導入することにより,スペクトラルニューロシンボリック推論(Spectral Neuro-Symbolic Reasoning, Spectral NSR)フレームワークを拡張した。
その斬新さは、スペクトル推論段階の上流で意味論と象徴的な洗練を行うことである。
その結果は、より堅牢で、解釈可能で、スケーラブルな推論システムで、オープンドメインと現実世界の環境でのデプロイメントに適している。
論文 参考訳（メタデータ） (2025-11-02T21:57:15Z) - Contrastive Matrix Completion with Denoising and Augmented Graph Views for Robust Recommendation [1.0128808054306186]
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。
論文 参考訳（メタデータ） (2025-06-12T12:47:35Z) - 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) - A Lesson in Splats: Teacher-Guided Diffusion for 3D Gaussian Splats Generation with 2D Supervision [65.33043028101471]
本稿では,2次元監視のみを用いた3次元画像調和拡散モデルの学習フレームワークを提案する。
既存の3D生成モデルは、大規模な3Dデータセットが不足しているため、完全に3Dの監視に依存している。
論文 参考訳（メタデータ） (2024-12-01T00:29:57Z) - Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。
RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。
6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
論文 参考訳（メタデータ） (2023-11-02T12:47:49Z) - Self-Contrastive Graph Diffusion Network [1.14219428942199]
我々は、自己コントラストグラフ拡散ネットワーク(SCGDN)と呼ばれる新しいフレームワークを提案する。
私たちのフレームワークは、注意モジュール(AttM)と拡散モジュール(DiFM)の2つの主要コンポーネントで構成されています。
既存の方法論とは異なり、SCGDNは「サンプリングバイアス」や意味的ドリフトを避ける拡張自由なアプローチである。
論文 参考訳（メタデータ） (2023-07-27T04:00:23Z) - Improving Contrastive Learning with Model Augmentation [123.05700988581806]
このシーケンシャルレコメンデーションは,ユーザ行動における次の項目を予測することを目的としている。
シーケンスにおけるデータの分散性やノイズの問題から,新たな自己教師付き学習(SSL)パラダイムが提案され,性能が向上した。
論文 参考訳（メタデータ） (2022-03-25T06:12:58Z) - Interpretable Deep Graph Generation with Node-Edge Co-Disentanglement [55.2456981313287]
本稿では,属性グラフの深部生成モデルのための新しいアンタングルメント拡張フレームワークを提案する。
ノードとエッジのデコンボリューションのための新しいアーキテクチャを用いて、上記の3種類の潜伏因子を解離する新しい変分的目的を提案する。
各タイプ内では、画像の既存のフレームワークの一般化が示され、個々の因子のゆがみがさらに強化される。
論文 参考訳（メタデータ） (2020-06-09T16:33:49Z)
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。