論文の概要: Debiasing Message Passing to Mitigate Popularity Bias in GNN-based Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2605.11145v1
• Date: Mon, 11 May 2026 18:48:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.369882
• Title: Debiasing Message Passing to Mitigate Popularity Bias in GNN-based Collaborative Filtering
• Title（参考訳）: GNNを用いた協調フィルタリングにおける人気バイアス軽減のためのメッセージのデバイアス化
• Authors: Md Aminul Islam, Ahmed Sayeed Faruk, Sourav Medya, Elena Zheleva,
• Abstract要約: グラフニューラルネットワーク(GNN)に基づく協調フィルタリング(CF)モデルは,インタラクショングラフ上でユーザイテム信号を伝搬することにより,レコメンデータシステムにおいて高い性能を達成する。 相互作用分布が歪んだり、高次の地区を横断する繰り返しメッセージが、ロングテールのものを抑えながら人気アイテムの影響を増幅するので、人気バイアスに非常に敏感である。 既存のデバイアスのアプローチでは、再重み付けの目的、正規化、因果法、後処理は、集約プロセスを通じて伝播するバイアスと直接対応しないため、GNNベースの設定では効果が低い。 大衆の疎外化をめざして
• 参考スコア（独自算出の注目度）: 14.786952412297808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collaborative filtering (CF) models based on graph neural networks (GNNs) achieve strong performance in recommender systems by propagating user-item signals over interaction graphs. However, they are highly susceptible to popularity bias, since skewed interaction distributions and repeated message passing across high-order neighborhoods amplify the influence of popular items while suppressing long-tail ones. Existing debiasing approaches, including re-weighting objectives, regularization, causal methods, and post-processing, are less effective in GNN-based settings because they do not directly counteract bias propagated through the aggregation process, and recent in-aggregation weighting methods often rely on static heuristics or unstable embedding estimates. We propose Debiasing Popularity Amplification in Aggregation (DPAA), a popularity debiasing framework for GNN-based CF that integrates adaptive, embedding-aware interaction weighting and layer-wise weighting directly into message passing. DPAA assigns interaction-level weights from a representation-aware popularity signal, stabilized by a smooth transition from pre-trained to evolving model embeddings during training. It further introduces a layer-wise weighting that amplifies higher-order neighborhoods, surfacing long-range interactions with diverse and underexposed items. Experiments on real-world and semi-synthetic datasets show that DPAA outperforms state-of-the-art popularity-bias correction methods for GNN-based CF.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)に基づく協調フィルタリング(CF)モデルは,インタラクショングラフ上でユーザイテム信号を伝搬することにより,レコメンデータシステムにおいて高い性能を達成する。 しかし,会話のスキュー化や,高次地区を横断するメッセージの繰り返しが,ロングテールを抑えながら人気アイテムの影響を増幅しているため,人気バイアスの影響が強い。 既存のデバイアスのアプローチでは、再重み付け目的、正規化、因果法、後処理は、集約プロセスを通じて伝播するバイアスに直接反作用しないため、GNNベースの設定では効果が低く、最近の非集約重み付け手法は静的ヒューリスティックや不安定な埋め込み推定に依存することが多い。 本稿では,適応型,埋め込み型インタラクション重み付け,レイヤワイド重み付けを直接メッセージパッシングに統合する,GNNベースのCF用人気デバイアスフレームワークであるDPAAを提案する。 DPAAは、トレーニング中に事前訓練されたモデル埋め込みから進化したモデル埋め込みへのスムーズな移行によって安定化された表現対応の人気信号から相互作用レベルの重みを割り当てる。 さらに、階層的な重み付けを導入し、高階の近隣を増幅し、多様で未公開のアイテムとの長距離の相互作用を克服する。 実世界のデータセットと半合成データセットの実験により、DPAAはGNNベースのCFの最先端の人気バイアス補正手法より優れていることが示された。

関連論文リスト

• Rethinking Popularity Bias in Collaborative Filtering via Analytical Vector Decomposition [37.76421221387847]
  人気バイアスは、ベイジアンペアワイドランキング(BPR)最適化の固有の幾何学的アーティファクトである。 我々は,この埋め込み幾何を補正するために,方向分解補正(DDC)を提案する。 DDCは、パーソナライズされた選好方向に沿ってポジティブな相互作用を誘導し、グローバルな人気方向からネガティブな相互作用を誘導する。
  論文  参考訳（メタデータ） (2025-12-11T14:35:13Z)
• Post-hoc Popularity Bias Correction in GNN-based Collaborative Filtering [7.582801684816001]
  協調フィルタリング(CF)における人気バイアスを補正するポストホック人気度デバイアス法(PPD)を提案する。 提案手法は,GNNに基づくCFにおいて,人気バイアス補正のための最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2025-10-14T20:10:08Z)
• Causality-aware Graph Aggregation Weight Estimator for Popularity Debiasing in Top-K Recommendation [20.03303865662207]
  グラフベースのレコメンデータシステムは、近隣の集約を利用してノード表現を生成し、人気バイアスに敏感である。 既存のグラフベースの縮退解は、エッジ再構成や重み調整のような試みによって集約プロセスを洗練させる。 本稿では,グラフ集約プロセスの合理的なモデリングにより,人気バイアスを軽減する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-10-06T05:33:37Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• Normalized Attention Guidance: Universal Negative Guidance for Diffusion Models [57.20761595019967]
  注意空間にL1をベースとした正規化・精細化を施した,効率的かつトレーニング不要な機構である正規化注意誘導(NAG)を提案する。 NAGは、CFGが忠実性を維持しながら崩壊する効果的な負のガイダンスを復元する。 NAGはアーキテクチャ(UNet、DiT)、サンプリングレシスタンス(複数ステップ、複数ステップ)、モダリティ(イメージ、ビデオ)をまたいで一般化する
  論文  参考訳（メタデータ） (2025-05-27T13:30:46Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• Self-supervised debiasing using low rank regularization [59.84695042540525]
  純粋な相関は、ディープニューラルネットワークの強いバイアスを引き起こし、一般化能力を損なう可能性がある。 ラベルのないサンプルと互換性のある自己監督型脱バイアスフレームワークを提案する。 注目すべきは,提案フレームワークが自己教師付き学習ベースラインの一般化性能を著しく向上させることである。
  論文  参考訳（メタデータ） (2022-10-11T08:26:19Z)
• Contrastive Adaptive Propagation Graph Neural Networks for Efficient Graph Learning [65.08818785032719]
  グラフネットワーク(GNN)は、構造認識特徴の抽出と伝播によってグラフデータの処理に成功している。 近年,地域と高階の双方からなる拡張された隣人を直接扱えるように,近隣住民に焦点を絞った局所的伝播計画から拡張的伝播計画へと発展してきた。 優れた性能にもかかわらず、既存のアプローチは、局所的および高次隣人の影響を適応的に調整できる効率的で学習可能な拡張伝搬スキームを構築するのにはまだ不十分である。
  論文  参考訳（メタデータ） (2021-12-02T10:35:33Z)

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。