論文の概要: Cardinality-Decomposed Loss: Matching Training Objectives to Relation Structure in Heterogeneous Recommendation Graphs

• arxiv url: http://arxiv.org/abs/2607.20737v1
• Date: Wed, 22 Jul 2026 21:33:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.223134
• Title: Cardinality-Decomposed Loss: Matching Training Objectives to Relation Structure in Heterogeneous Recommendation Graphs
• Title（参考訳）: 心因性障害:不均一勧告グラフにおける関係構造と訓練対象とのマッチング
• Abstract要約: ベイジアン・パーソナライズ・ランキング(BPR)と呼ばれる全てのネットワークコンポーネントにユニークな損失関数が適用されることを示す。 BPRは属性の埋め込みをほぼランダムな幾何学に崩壊させます。 本稿では,Cross Entropy (CE) とBPRを組み合わせたCardinalityDeCrossing Loss (CDL) を提案する。
• 参考スコア（独自算出の注目度）: 0.061573828205377185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks trained on heterogenous bipartite graphs form a common basis in recommendation systems. These graphs often express relations that vary in cardinality, for example, user-item preferences are one-to-many and user-attribute features are one-to-one. Traditionally, a unique loss function is applied for all of the network components which is often Bayesian Personalized Ranking (BPR). While BPR works well for the recommendation task, we find that it causes attribute embeddings to collapse to near-random geometry -- a silent failure that leaves standard ranking metrics largely unaffected and therefore invisible to conventional evaluation. This in turn pollutes user node embeddings, which are shaped by both edge types simultaneously, hurting downstream tasks like personalization, segmentation, etc. Here we propose a Cardinality-Decomposed Loss (CDL) that combines both Cross Entropy (CE) and BPR to enable the model to collectively optimize for relations across cardinalities. We confirm this CE-BPR conflict by showing the two losses compete in the shared encoder's parameter space. We evaluate CDL on five datasets spanning two structural configurations -- one-to-one attributes on user nodes (MovieLens-1M, Last.fm-360K, PayPal Audience Factory, BookCrossing) and on item nodes (Yelp) -- and find that CDL consistently improves discriminability in attribute embeddings. We also show that ranking (NDCG) improves when attributes carry meaningful preference signal, but conflicts with it when the correlation is weak. We use a lambda parameter to navigate this trade-off, and a lambda-sweep reveals that dataset behavior is governed by two graph properties -- semantic alignment and topology leakage. Semantic alignment measures whether the attribute predicts preferences, while topology leakage measures whether the graph's connectivity already encodes it.
• Abstract（参考訳）: 異種二部グラフで訓練されたグラフニューラルネットワークはレコメンデーションシステムにおいて共通基盤を形成する。 これらのグラフはしばしば基数によって異なる関係を表現している。例えば、ユーザ・イテムの嗜好は1対多であり、ユーザ・アトリビュートの特徴は1対1である。 伝統的に、BPR(Bayesian Personalized Ranking)と呼ばれるネットワークコンポーネントのすべてにユニークな損失関数が適用される。 BPRはレコメンデーションタスクでうまく機能しますが、属性の埋め込みがほぼランダムな幾何学に崩壊してしまうことが分かりました。 これにより、両方のエッジタイプによって同時に形成されるユーザノードの埋め込みが汚染され、パーソナライゼーションやセグメンテーションといった下流タスクが損なわれる。 本稿では,Cross Entropy(CE)とBPRを組み合わせたCDL(Cardinality-Decomposed Loss)を提案する。 このCE-BPR競合は,共有エンコーダのパラメータ空間における2つの損失の競合を示すことによって確認する。 ユーザノード上の1対1の属性(MovieLens-1M, Last.fm-360K, PayPal Audience Factory, BookCrossing)とアイテムノード(Yelp)の5つの構造的構成にまたがるCDLを評価し、属性埋め込みにおける差別性を一貫して改善していることを見出した。 また,属性が有意な選好信号を持つ場合にはランキング(NDCG)が向上するが,相関が弱い場合にはそれと矛盾することを示す。 このトレードオフをナビゲートするためにラムダパラメータを使用し、ラムダスウィープによって、データセットの振る舞いはセマンティックアライメントとトポロジリークという2つのグラフプロパティによって管理されていることが明らかになった。 セマンティックアライメントは属性が好みを予測するかどうかを測り、トポロジリークはグラフの接続が既にそれをエンコードしているかどうかを測定する。

関連論文リスト

• Lightweight Inference-Time Personalization for Frozen Knowledge Graph Embeddings [0.0]
  GatedBiasは知識グラフのための軽量な推論時パーソナライズフレームワークである。 プロファイル固有の機能は、グラフ由来のバイナリゲートと組み合わせて、解釈可能な、パーエンタリティバイアスを生成する。 2つのベンチマークデータセット上でGatedBiasを評価する。
  論文  参考訳（メタデータ） (2025-12-26T22:30:37Z)
• From Feature Interaction to Feature Generation: A Generative Paradigm of CTR Prediction Models [81.43473418572567]
  CTR(Click-Through Rate)予測は、レコメンデーションシステムにおける中核的なタスクである。 本稿では,埋め込み次元の崩壊と情報冗長性に対処する新しい生成フレームワークを提案する。 SFGは埋没崩壊を緩和し,情報冗長性を低減し,性能向上を図っている。
  論文  参考訳（メタデータ） (2025-12-16T03:17:18Z)
• Exact Matching in Correlated Networks with Node Attributes for Improved Community Recovery [10.696635172502141]
  ノード属性とエッジが相互に関連している複数ネットワークにおけるコミュニティ検出について検討する。 本稿では,グラフ間の構造的および属性的相関を組み込んだCSBMについて紹介する。 この結果から,グラフマッチングとコミュニティリカバリの相互作用によって,パフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2025-01-06T08:57:44Z)
• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• Bilateral Unsymmetrical Graph Contrastive Learning for Recommendation [12.945782054710113]
  両面非対称グラフコントラスト学習(BusGCL)と呼ばれる推薦タスクのための新しいフレームワークを提案する。 BusGCLは、スライスされたユーザとアイテムグラフのユーザ-itemノード関係密度の両側非対称性を、両スライスしたコントラストトレーニングより優れていると考えている。 2つの公開データセットに関する総合的な実験は、様々なレコメンデーション手法と比較して、BusGCLの優位性を証明している。
  論文  参考訳（メタデータ） (2024-03-22T09:58:33Z)
• Efficient Link Prediction via GNN Layers Induced by Negative Sampling [86.87385758192566]
  リンク予測のためのグラフニューラルネットワーク(GNN)は、緩やかに2つの広いカテゴリに分けられる。 本稿では,新しいGNNアーキテクチャを提案する。このアーキテクチャでは,Emphforwardパスは,Emphboth陽性(典型的)と負陰性(アプローチに共通)のエッジに明示的に依存する。 これは、埋め込み自体を、正と負のサンプルの分離を好むフォワードパス特異的エネルギー関数の最小化子として再キャストすることで達成される。
  論文  参考訳（メタデータ） (2023-10-14T07:02:54Z)
• Finding Heterophilic Neighbors via Confidence-based Subgraph Matching for Semi-supervised Node Classification [1.3190581566723918]
  グラフニューラルネットワーク(GNN)は多くのグラフベースのアプリケーションで強力であることが証明されている。 しかし、それらはヘテロ親和的な設定でうまく一般化することができない。
  論文  参考訳（メタデータ） (2023-02-20T04:23:34Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。