Fugu-MT 論文翻訳(概要): Signed-Graph Recommendation as Structural Consistency Maximization

論文の概要: Signed-Graph Recommendation as Structural Consistency Maximization

arxiv url: http://arxiv.org/abs/2607.05952v1
Date: Tue, 07 Jul 2026 07:53:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-08 21:24:51.435544
Title: Signed-Graph Recommendation as Structural Consistency Maximization
Title（参考訳）: 構造整合性最大化としての手話勧告
Abstract要約: 署名付きソーシャルレコメンデーションを構造的整合性として扱うSSC-Loopという統合フレームワークを提案する。 SSC-Loopには、構造整合性のためのESA-DA、伝搬整合性のためのP/N/O伝搬機構、意味整合性のための対照的な学習目標の3つの専用モジュールが含まれている。
参考スコア（独自算出の注目度）: 9.756893040500929
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While signed social recommendation has shown great potential by modeling both trust and distrust relations, its effectiveness is often hindered by structural noise and data sparsity. In this work, we first identify a fundamental inconsistency across the structural, propagation, and semantic layers of existing models, which leads to biased representations learned from sparse or noisy datasets. Furthermore, we observe that most existing methods treat the observed graph as fixed, failing to bridge the gap between noisy topologies and reliable social semantics. To address these issues, we propose a unified framework named SSC-Loop that treats signed social recommendation as the maximization of structural consistency. SSC-Loop includes three dedicated modules: ESA-DA for structural consistency, a P/N/O propagation mechanism for propagation consistency, and a contrastive learning objective for semantic consistency. Experiments on Epinions demonstrate that SSC-Loop achieves strong performance on explicit signed social rating prediction, while auxiliary results on Slashdot under a derived link-existence setting further suggest its ability to exploit signed social structures. Source code is available at https://github.com/Refrainwww/SSC-Loop.
Abstract（参考訳）: 署名された社会的レコメンデーションは、信頼関係と不信関係の両方をモデル化することで大きな可能性を示しているが、その効果は構造的ノイズとデータの疎結合によってしばしば妨げられている。本研究では,既存のモデルの構造的,伝搬的,意味的レイヤにまたがる基本的な矛盾を最初に同定し,スパースやノイズの多いデータセットから学習した偏りのある表現を導出する。さらに,既存の手法のほとんどは,観測されたグラフを固定として扱うが,ノイズのあるトポロジと信頼性のある社会的意味論のギャップを埋めることができない。これらの課題に対処するために,サイン付きソーシャルレコメンデーションを構造整合性の最大化として扱うSSC-Loopという統合フレームワークを提案する。 SSC-Loopには、構造整合性のためのESA-DA、伝搬整合性のためのP/N/O伝搬機構、意味整合性のための対照的な学習目標の3つの専用モジュールが含まれている。エピニオンスの実験では、SSC-Loopは明示的な社会的評価予測において高いパフォーマンスを達成し、Slashdotのリンク存在下での補助的な結果は、署名された社会的構造を利用する能力をさらに示唆している。ソースコードはhttps://github.com/Refrainwww/SSC-Loop.comで入手できる。

関連論文リスト

Breaking Structural Isolation: Scalable Graph Clustering via Community-Aware Sampling and Structural Entropy [57.058369251551795]
教師なしグラフクラスタリングは、大規模ネットワークの基盤となるセマンティックパターンを明らかにするための基本的な手法である。本研究では,制約付き構造エントロピーを用いたコミュニティ認識サンプリングを連携させることにより,構造整合性を維持するフレームワークであるSCISEを提案する。 SCISEは最先端のアルゴリズムを著しく上回り、アブレーション研究とロバストネス分析により、実世界の大規模グラフの有効性と信頼性をさらに検証した。
論文参考訳（メタデータ） (2026-07-06T07:55:53Z)
Geometric Second-Order Feature Correlation Learning for Self-Supervised Speech Emotion Recognition [20.241229752223337]
自己教師付き学習(SSL)は、感情認識のための強力で文脈に富んだ表現をもたらす。しかし、これらの表現を全体論的な記述子に集約することは、依然としてボトルネックである。本稿では,この問題に対処する新しい第2次相関層を提案する。
論文参考訳（メタデータ） (2026-06-04T08:18:38Z)
Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
論文参考訳（メタデータ） (2026-05-16T12:01:04Z)
SynergyKGC: Reconciling Topological Heterogeneity in Knowledge Graph Completion via Topology-Aware Synergy [5.188469894836893]
我々は、従来の隣り合うアグリゲーションをアクティブなCross-Modal Synergy Expertに進化させる適応的なフレームワークであるSynergyKGCを紹介する。密度依存Identity Anchoring戦略をダブルトウワー整合性アーキテクチャと結合することにより、SynergyKGCは、トレーニングと推論フェーズ間の表現安定性を確保しながら、トポロジ的不均一性を効果的に調整する。
論文参考訳（メタデータ） (2026-02-11T13:31:58Z)
Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
論文参考訳（メタデータ） (2026-01-13T03:35:18Z)
QoSDiff: An Implicit Topological Embedding Learning Framework Leveraging Denoising Diffusion and Adversarial Attention for Robust QoS Prediction [5.632045399777709]
本稿では,明示的なグラフ構築の前提条件を回避した新しい埋め込み学習フレームワークであるemphQoSDiffを紹介する。これらの課題に対処するために,明示的なグラフ構築の前提条件を回避した新しい埋め込み学習フレームワークであるemphQoSDiffを紹介する。
論文参考訳（メタデータ） (2025-12-04T09:17:26Z)
Generative Reasoning Recommendation via LLMs [48.45009951684554]
大規模言語モデル(LLM)は、生成的推論レコメンデーションモデル(GRRM)として機能する上で、根本的な課題に直面している。本研究は,レコメンデーションタスクに対する統一的な理解・推論・予測方法を実現する,事前学習されたLLMを適用してGRRMを構築する方法について検討する。本稿では,協調的セマンティックアライメント(Collaborative-Semantic Alignment),Reasoning Curriculum Activation(Reasoning Curriculum Activation),Sparse-Regularized Group Policy Optimization(Sparse-Regularized Group Policy Optimization)の3つのコンポーネントを統合するエンドツーエンドフレームワークであるGREAMを提案する。
論文参考訳（メタデータ） (2025-10-23T17:59:31Z)
Deep Sparse Latent Feature Models for Knowledge Graph Completion [24.342670268545085]
本稿では,深部変分オートエンコーダ(VAE)により最適化されたスパース潜時特徴モデルを用いた新しい確率的KGCフレームワークを提案する。提案手法は, 局所的なテキスト特徴を持つ動的クラスタリング情報を用いて, 欠落した三重項を効果的に完遂すると同時に, 基礎となる潜在構造を解釈しやすくする。
論文参考訳（メタデータ） (2024-11-24T03:17:37Z)
Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
論文参考訳（メタデータ） (2024-09-09T12:56:02Z)
Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph [54.03786611989613]
ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
論文参考訳（メタデータ） (2020-11-25T05:09:03Z)

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。