論文の概要: Memory Is No Longer a Bottleneck: Memory-Efficient Graph Filtering for Scalable Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2606.21540v1
• Date: Fri, 19 Jun 2026 15:39:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 12:51:27.686223
• Title: Memory Is No Longer a Bottleneck: Memory-Efficient Graph Filtering for Scalable Collaborative Filtering
• Title（参考訳）: メモリは長続きしない - スケーラブルな協調フィルタリングのためのメモリ効率の良いグラフフィルタリング
• Authors: Jin-Duk Park, Won-Yong Shin,
• Abstract要約: グラフネットワーク(GCN)は、協調畳み込み畳み込み近似のための複雑なユーザ・イテム関係において大きな成功を収めている。 広範囲なモデルトレーニングに依存しているため、トレーニングフリーグラフフィルタリング(GF)メソッドが有望な代替手段として登場した。 Krylov部分空間の構造を主に活用することにより、従来の設計から逸脱する新しいGFベースのCF法であるMem-GF(Memory- efficient GF)を提案する。
• 参考スコア（独自算出の注目度）: 15.552528989405978
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph convolutional networks (GCNs) have demonstrated significant success in capturing complex user-item relationships for collaborative filtering (CF). However, due to their reliance on extensive model training, training-free graph filtering (GF)-based CF methods have emerged as a promising alternative, offering computational efficiency by smoothing graph signals via matrix operations. In particular, polynomial GF-based approaches demonstrate improved accuracy through their ability to design more expressive and flexible filtering functions. Despite these advantages, existing GF methods suffer from a critical memory bottleneck: they necessitate storing the full item similarity graph, incurring prohibitive memory costs for large-scale datasets, which limits their practical applicability. To tackle this challenge, we propose Mem-GF (Memory-efficient GF), a new GF-based CF method that departs from conventional designs by principally leveraging the structure of Krylov subspaces as a core mechanism for approximating polynomial graph filters without explicitly storing the item similarity graph. We theoretically analyze the minimum Krylov subspace size that guarantees lossless approximation. Through extensive experiments, we demonstrate that Mem-GF achieves up to 5.74$\times$ lower memory usage and 4.38$\times$ speedup in runtime, while consistently exceeding the recommendation accuracy of state-of-the-art GF and GCN-based methods. Mem-GF robustly scales to datasets with tens of millions of interactions, establishing itself as a practically viable and theoretically grounded solution for efficient CF.
• Abstract（参考訳）: グラフ畳み込みネットワーク (GCN) は、協調フィルタリング (CF) のための複雑なユーザ・イテム関係を捕捉することに成功した。 しかし、モデルトレーニングに大きく依存しているため、トレーニングフリーグラフフィルタリング(GF)ベースのCF法が有望な代替手段として現れ、行列演算によるグラフ信号の平滑化によって計算効率が向上している。 特に、多項式GFベースのアプローチは、より表現力が高く柔軟なフィルタリング関数を設計する能力を通じて精度の向上を示す。 これらの利点にもかかわらず、既存のGFメソッドは重要なメモリボトルネックに悩まされており、全項目の類似性グラフを格納する必要がある。 この課題に対処するために、我々は、アイテム類似性グラフを明示的に格納することなく多項式グラフフィルタを近似するコアメカニズムとして、Krylov部分空間の構造を主に活用することにより、従来の設計から切り離した新しいGFベースのCF手法であるMem-GF(Memory- efficient GF)を提案する。 理論的には、ロスレス近似を保証する最小のクリロフ部分空間サイズを解析する。 大規模な実験を通じて、Mem-GFは5.74$\times$低いメモリ使用量と4.38$\times$ランタイムの高速化を実現し、最先端のGFおよびGCNベースのメソッドの推奨精度を常に上回っていることを実証した。 Mem-GFは数千万の相互作用を持つデータセットに堅牢にスケールし、効率的なCFのための実用的で理論的に基礎付けられたソリューションとして確立した。

関連論文リスト

• Rethinking Efficient Graph Coarsening via a Non-Selfishness Principle [56.92868481531399]
  粗大化における近隣住民の集団干渉を優先する非利己的原則を提案する。 局所等方性仮定に基づいて、O(dot d)干渉評価をO(d)に還元する高速なNOPE*を導出する。 粗いグラフの学習は、元のグラフに匹敵する性能を示し、LLMベースのグラフ推論よりも優れた性能を示すことができる。
  論文  参考訳（メタデータ） (2026-05-13T05:24:35Z)
• Towards Pre-trained Graph Condensation via Optimal Transport [52.6504753271008]
  グラフ凝縮は、元のグラフを小さなグラフに蒸留し、冗長性を緩和し、GNNトレーニングを加速することを目的としている。 従来のGCアプローチは、厳格なGNNとタスク固有の監督に大きく依存している。 タスク依存GC法とアーキテクチャ依存GC法の限界を超越するために, 最適輸送による事前学習グラフ凝縮(PreGC)を提案する。
  論文  参考訳（メタデータ） (2025-09-18T08:13:24Z)
• Efficient Graph Condensation via Gaussian Process [8.099774846541438]
  グラフ凝縮は、性能を維持しながら大きなグラフのサイズを減らす。 既存の手法はしばしば二段階最適化に依存しており、広範囲なGNNトレーニングとスケーラビリティの制限を必要とする。 本稿では,ガウス過程を用いたグラフ凝縮法(GCGP)を提案する。
  論文  参考訳（メタデータ） (2025-01-05T14:43:07Z)
• Rethinking and Accelerating Graph Condensation: A Training-Free Approach with Class Partition [49.41718583061147]
  グラフ凝縮(Graph condensation)は、大きなグラフを小さいが情報的な凝縮グラフに置き換えるための、データ中心のソリューションである。 既存のGCメソッドは、複雑な最適化プロセス、過剰なコンピューティングリソースとトレーニング時間を必要とする。 我々は、CGC(Class-partitioned Graph Condensation)と呼ばれるトレーニング不要なGCフレームワークを提案する。 CGCはOgbn-productsグラフを30秒以内に凝縮し、102$Xから104$Xまでのスピードアップを実現し、精度は4.2%まで向上した。
  論文  参考訳（メタデータ） (2024-05-22T14:57:09Z)
• Turbo-CF: Matrix Decomposition-Free Graph Filtering for Fast Recommendation [9.582288420754152]
  Turbo-CF は GF ベースのグラフフィルタであり、トレーニングフリーかつ行列分解フリーである。 実世界のベンチマークデータセットで1秒未満のランタイムを実現するため,Turbo-CFは非常に高速かつ正確であることを示す。
  論文  参考訳（メタデータ） (2024-04-22T14:56:36Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• MGDCF: Distance Learning via Markov Graph Diffusion for Neural Collaborative Filtering [96.65234340724237]
  現状のGNNベースCFモデルとコンテキスト符号化に基づく従来の1層NRLモデルとの等価性を示す。 マルコフグラフ拡散協調フィルタ (MGDCF) を用いて, 最先端のGNNベースCFモデルを一般化する。
  論文  参考訳（メタデータ） (2022-04-05T17:24:32Z)
• How Powerful is Graph Convolution for Recommendation? [21.850817998277158]
  グラフ畳み込みネットワーク(GCN)は、最近、協調フィルタリング(CF)のための一般的なアルゴリズムのクラスを実現した。 本稿では,グラフ信号処理のレンズを用いてGCNに基づくCF法をよりよく理解する試みを行う。
  論文  参考訳（メタデータ） (2021-08-17T11:38:18Z)
• Adaptive Filters and Aggregator Fusion for Efficient Graph Convolutions [11.769185588579488]
  本稿では,アクセル実装に適した特性とともに,メモリ消費と遅延を低減した最先端性能を示す。 提案手法は,エッジ数に比例するメモリを必要とする競合手法とは対照的に,グラフ内の頂点数に比例するメモリを用いる。 GNNが表現力を大幅に高める技術であるアグリゲーター融合を提案し、標準のスパース行列乗算よりも19%の遅延がわずかに増加している。
  論文  参考訳（メタデータ） (2021-04-03T20:54:36Z)

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。