論文の概要: Spectral bandits for smooth graph functions with applications in recommender systems
- arxiv url: http://arxiv.org/abs/2605.20552v1
- Date: Tue, 19 May 2026 23:07:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-21 19:19:56.408525
- Title: Spectral bandits for smooth graph functions with applications in recommender systems
- Title（参考訳）: 滑らかなグラフ関数に対するスペクトル帯域とレコメンダシステムへの応用
- Authors: Tomáš Kocák, Michal Valko, Rémi Munos, Branislav Kveton, Shipra Agrawal,
- Abstract要約: グラフ上でアームの支払いがスムーズな帯域幅問題について検討する。
このフレームワークは、コンテンツベースのレコメンデーションなど、グラフを含むオンライン学習問題の解決に適している。
- 参考スコア（独自算出の注目度）: 39.53425581221678
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Smooth functions on graphs have wide applications in manifold and semi-supervised learning. In this paper, we study a bandit problem where the payoffs of arms are smooth on a graph. This framework is suitable for solving online learning problems that involve graphs, such as content-based recommendation. In this problem, each recommended item is a node and its expected rating is similar to its neighbors. The goal is to recommend items that have high expected ratings. We aim for the algorithms where the cumulative regret would not scale poorly with the number of nodes. In particular, we introduce the notion of an effective dimension, which is small in real-world graphs, and propose two algorithms for solving our problem that scale linearly in this dimension. Our experiments on real-world content recommendation problem show that a good estimator of user preferences for thousands of items can be learned from just tens nodes evaluations.
- Abstract（参考訳）: グラフ上の滑らか関数は、多様体および半教師付き学習において幅広い応用を持つ。
本稿では,アームの支払いがスムーズなバンディット問題について検討する。
このフレームワークは、コンテンツベースのレコメンデーションなど、グラフを含むオンライン学習問題の解決に適している。
この問題では、各推奨項目はノードであり、その期待された評価は隣人に似ている。
目標は、高い評価のアイテムを推奨することです。
累積的後悔がノード数に悪影響を及ぼさないアルゴリズムを提案する。
特に実世界のグラフでは小さい有効次元の概念を導入し、この次元で線形にスケールする問題を解くための2つのアルゴリズムを提案する。
実世界のコンテンツレコメンデーション問題に対する実験により,数千項目のユーザ嗜好の優れた推定が,数十ノードの評価から学習できることが示唆された。
関連論文リスト
- Revealing graph bandits for maximizing local influence [64.91400609178565]
本研究では,学習者の目的がグラフの最も影響力のあるノードをできるだけ少ない情報で検出することであるグラフ帯域設定について検討する。
この設定の関連アプリケーションの1つは、ソーシャルネットワークにおけるマーケティングであり、マーケターは最も影響力のある顧客を見つけ、活用することを目指している。
論文 参考訳（メタデータ） (2026-05-01T07:54:58Z) - Spectral bandits [39.534255812216784]
グラフ上でアームの支払いがスムーズな帯域幅問題について検討する。
このフレームワークは、コンテンツベースのレコメンデーションなど、グラフを含むオンライン学習問題の解決に適している。
論文 参考訳（メタデータ） (2026-04-28T06:29:27Z) - Spectral bandits for smooth graph functions [41.230043580577174]
グラフ上でアームの支払いがスムーズな帯域幅問題について検討する。
このフレームワークは、コンテンツベースのレコメンデーションなど、グラフを含むオンライン学習問題の解決に適している。
論文 参考訳（メタデータ） (2026-04-20T15:39:22Z) - Learning Heuristics for the Maximum Clique Enumeration Problem Using Low
Dimensional Representations [0.0]
本稿では,最大列挙問題の傾きを低減するために,入力グラフのプルーニング処理に学習フレームワークを用いる。
本手法の性能評価において,異なる頂点表現を用いることが果たす役割について検討する。
分類過程において局所的なグラフ特徴を用いることで,特徴の除去過程と組み合わせることで,より正確な結果が得られることが観察された。
論文 参考訳（メタデータ） (2022-10-30T22:04:32Z) - Graph Sanitation with Application to Node Classification [41.311131936203715]
質問に答えるために,グラフ衛生問題を導入する。
マイニングモデルの入力の一部として、より良いグラフを学習することで、さまざまな環境でグラフマイニングの恩恵が期待できる。
特に、既存の堅牢なグラフニューラルネットワーク手法よりも25%パフォーマンスが向上する。
論文 参考訳（メタデータ） (2021-05-19T20:22:15Z) - Evaluating Node Embeddings of Complex Networks [0.0]
agood embeddedはグラフトポロジー、ノード間関係、およびグラフに関する他の関連情報をキャプチャする。
主な課題は、埋め込みがグラフの特性をうまく記述することを保証する必要があることである。
実世界のネットワーク上でも人工的に生成されたものでも、選択したグラフ埋め込みアルゴリズムを用いて一連の実験を行う。
論文 参考訳（メタデータ） (2021-02-16T16:55:29Z) - Grale: Designing Networks for Graph Learning [68.23038997141381]
我々は,数十億のノードを持つグラフのグラフ設計問題に対処するために,スケーラブルなGraleを提案する。
グレールは、(潜在的に弱い)類似性の異なる測度を融合して、そのノード間の高いタスク固有のホモフィリーを示すグラフを作成する。
Googleでは、数千億のノードを持つデータセットや、数十兆の潜在的なエッジを含む、20以上の異なる産業環境にGraleをデプロイしています。
論文 参考訳（メタデータ） (2020-07-23T13:25:36Z) - Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
我々は高密度サブグラフ発見のための新しい学習問題を導入する。
まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。
そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-06-24T11:37:33Z)
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。