論文の概要: ASPIRE: Make Spectral Graph Collaborative Filtering Great Again via Adaptive Filter Learning

• arxiv url: http://arxiv.org/abs/2604.22549v1
• Date: Fri, 24 Apr 2026 13:39:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.476213
• Title: ASPIRE: Make Spectral Graph Collaborative Filtering Great Again via Adaptive Filter Learning
• Title（参考訳）: ASPIRE: 適応フィルタ学習によるスペクトルグラフ協調フィルタの高速化
• Authors: Yunhang He, Cong Xu, Zhangchi Zhu, Hongzhi Yin, Wei Zhang,
• Abstract要約: グラフフィルタ学習は,協調フィルタリングにおいてより表現力のあるグラフニューラルネットワークを実現する方法として,有効かつ一般化可能であることを示す。 グラフフィルタ学習は,協調フィルタリングにおいて,より表現力の高いグラフニューラルネットワークを実現するために有効であり,一般化可能であることを示す。
• 参考スコア（独自算出の注目度）: 38.822669399680166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph filter design is central to spectral collaborative filtering, yet most existing methods rely on manually tuned hyperparameters rather than fully learnable filters. We show that this challenge stems from a bias in traditional recommendation objectives, which induces a spectral phenomenon termed low-frequency explosion, thereby fundamentally hindering the effective learning of graph filters. To overcome this limitation, we propose a novel adaptive spectral graph collaborative filtering framework (ASPIRE) based on a bi-level optimization objective. Guided by our theoretical analysis, we disentangle the filter learning objective, which in turn leads to excellent recommendation performance, spectral adaptivity, and training stability in practice. Extensive experiments show our learned filters match the performance of carefully engineered task-specific designs. Furthermore, ASPIRE is equally effective in LLM-powered collaborative filtering. Our findings demonstrate that graph filter learning is viable and generalizable, paving the way for more expressive graph neural networks in collaborative filtering.
• Abstract（参考訳）: グラフフィルタの設計は、スペクトルコラボレーティブフィルタの中心であるが、既存のほとんどの手法は、完全に学習可能なフィルタではなく、手動で調整されたハイパーパラメータに依存している。 この課題は、低周波爆発と呼ばれるスペクトル現象を誘発し、グラフフィルタの効果的な学習を根本的に阻害する従来の推奨対象のバイアスに起因することを示す。 この制限を克服するために,両レベル最適化目標に基づく適応スペクトルグラフ協調フィルタリングフレームワーク(ASPIRE)を提案する。 理論的解析により,フィルタ学習の目的を解き放つことにより,推奨性能,スペクトル適応性,練習安定性が向上する。 広範囲な実験により、我々の学習したフィルタは、注意深く設計されたタスク固有の設計の性能と一致していることがわかった。 さらに、ASPIREはLLMを用いた協調フィルタリングにも有効である。 グラフフィルタ学習は,協調フィルタリングにおいて,より表現力の高いグラフニューラルネットワークを実現するために有効であり,一般化可能であることを示す。

関連論文リスト

• GSPRec: Temporal-Aware Graph Spectral Filtering for Recommendation [19.275813818441506]
  本稿では,逐次的インフォームドグラフ構築を通じて時間遷移を統合するグラフスペクトルモデルGSPRecを紹介する。 GSPRecはマルチホップ拡散によってアイテム遷移を符号化し、スペクトル処理に対称ラプラシアンを使用できる。 ユーザの嗜好を捉えるために,ガウス帯域通過フィルタを用いて中頻度,ユーザレベルのパターンを抽出し,低域通過フィルタによりグローバルなトレンドを維持するという,二重フィルタ機構を設計する。
  論文  参考訳（メタデータ） (2025-05-15T15:49:56Z)
• Towards Anomaly-Aware Pre-Training and Fine-Tuning for Graph Anomaly Detection [59.042018542376596]
  グラフ異常検出(GAD)は近年注目度が高まりつつあるが、2つの重要な要因があるため、依然として困難である。 Anomaly-Aware Pre-Training and Fine-Tuning (APF)は、GADの課題を軽減するためのフレームワークである。 10のベンチマークデータセットに関する総合的な実験は、最先端のベースラインと比較してAPFの優れたパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-19T09:57:35Z)
• Node-wise Filtering in Graph Neural Networks: A Mixture of Experts Approach [58.8524608686851]
  グラフニューラルネットワーク(GNN)は、多様なグラフ構造パターンをまたいだノード分類タスクに非常に効果的であることが証明されている。 伝統的に、GNNは均一なグローバルフィルタ(通常、ホモフィルグラフのローパスフィルタとヘテロフィルグラフのハイパスフィルタ)を用いる。 我々は,異なるノードに対する適切なフィルタを適応的に選択するために,専門家の混在を利用した新しいGNNフレームワークNode-MoEを紹介する。
  論文  参考訳（メタデータ） (2024-06-05T17:12:38Z)
• Frequency-aware Graph Signal Processing for Collaborative Filtering [26.317108637430664]
  協調フィルタリングのための周波数対応グラフ信号処理法(FaGSP)を提案する。 まず,理想的な高域通過フィルタと理想的な低域通過フィルタからなるカスケードフィルタモジュールを設計する。 そこで,2つの低域通過フィルタからなる並列フィルタモジュールを考案した。
  論文  参考訳（メタデータ） (2024-02-13T12:53:18Z)
• Shape-aware Graph Spectral Learning [36.63516222161871]
  スペクトルグラフニューラルネットワーク(GNN)は、メッセージパッシングGNNの限界を超える能力に注目されている。 いくつかの研究は、好ましいグラフ周波数がグラフホモフィリーレベルと関連していることを実証的に示している。 このグラフ周波数とホモフィリー・ヘテロフィリーグラフの関係は、既存のスペクトルGNNにおいて体系的に解析され検討されていない。 我々は、任意のスペクトルフィルタを学習し、対応するホモフィリーレベルの所望の形状に関する事前知識を組み込むことができるニュートン補間に基づくスペクトルフィルタの形状認識正則化を提案する。
  論文  参考訳（メタデータ） (2023-10-16T04:57:30Z)
• Learning Versatile Convolution Filters for Efficient Visual Recognition [125.34595948003745]
  本稿では,効率的な畳み込みニューラルネットワーク構築のための多目的フィルタを提案する。 本稿では,ネットワークの複雑性に関する理論的解析を行い,効率的な畳み込み手法を提案する。 ベンチマークデータセットとニューラルネットワークの実験結果は、我々の汎用フィルタが元のフィルタと同等の精度を達成できることを実証している。
  論文  参考訳（メタデータ） (2021-09-20T06:07:14Z)
• Unsharp Mask Guided Filtering [53.14430987860308]
  本論文の目的は,フィルタ中の構造伝達の重要性を強調した画像フィルタリングである。 アンシャープマスキングにインスパイアされたガイドフィルタの新しい簡易な定式化を提案する。 我々の定式化は低域フィルタに先立ってフィルタを楽しみ、単一の係数を推定することで明示的な構造伝達を可能にする。
  論文  参考訳（メタデータ） (2021-06-02T19:15:34Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)

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。