論文の概要: Neural Tree Collaborative Filtering: Rethinking Graph Collaborative Filtering as Tree Collaborative Filtering with Curvature-Aware Propagation Depth
- arxiv url: http://arxiv.org/abs/2608.10297v1
- Date: Mon, 10 Aug 2026 23:03:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.836054
- Title: Neural Tree Collaborative Filtering: Rethinking Graph Collaborative Filtering as Tree Collaborative Filtering with Curvature-Aware Propagation Depth
- Title（参考訳）: ニューラルツリー協調フィルタリング:グラフ協調フィルタリングを曲率対応伝搬深さを用いた木協調フィルタリングとして再考
- Abstract要約: グラフ協調フィルタリング(GCF)は現代のレコメンデータシステムにおいて支配的なパラダイムとなっている。
各ノードに均一な伝搬深度を適用すると、実際の相互作用グラフの基本的性質が無視される。
本稿では,各ノードの局所近傍をルート木として再解釈し,ノード固有の伝搬深さを割り当てるフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 15.205534076945122
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph Collaborative Filtering (GCF) has become the dominant paradigm in modern recommender systems by modeling user-item interactions as a bipartite graph and propagating embeddings through a fixed number of message-passing layers. However, applying a uniform propagation depth to every node ignores a fundamental property of real interaction graphs: nodes differ substantially in their local connectivity, so peripheral nodes quickly suffer from over-smoothing while hub-like nodes remain under-explored beyond their immediate neighborhood. In this paper, we revisit GCF from a tree-structured perspective and propose Neural Tree Collaborative Filtering (NTCF), a framework that re-interprets each node's local neighborhood as a rooted tree and assigns a node-specific propagation depth based on a closed-form local-degree-imbalance score that serves as a discrete Ricci-curvature proxy. We provide a theoretical analysis showing that (i) NTCF strictly generalizes NGCF, degenerating to NGCF when all curvature-induced depth adjustments vanish (a lower bound on its representation power), and (ii) the curvature-aware schedule retains strictly more discriminative information at deep layers on positively-curved (peripheral) nodes than uniform-depth propagation. NTCF can achieve higher performance than most widely used GCF backbone models and can be integrated into existing advanced self-supervised models as a backbone, replacing their original backbone to achieve enhanced performance. Extensive experiments on three public datasets demonstrate the superiority of NTCF.
- Abstract（参考訳）: グラフ協調フィルタリング(GCF)は、二部グラフとしてユーザ間相互作用をモデル化し、固定数のメッセージパッシング層を通じて埋め込みを伝播することにより、現代のレコメンデータシステムにおいて支配的なパラダイムとなっている。
しかし、各ノードに均一な伝搬深度を適用すると、実際の相互作用グラフの基本的な性質は無視される:ノードはその局所的な接続性において大きく異なるため、周辺ノードはすぐに過度なスムース化に悩まされ、ハブのようなノードは直近の近傍で探索されていない。
本稿では,GCFを木構造の観点から再検討し,各ノードの局所近傍を根木として再解釈するフレームワークであるNural Tree Collaborative Filtering (NTCF)を提案する。
我々はそれを理論的に分析する。
(i)NTCFはNGCFを厳格に一般化し、曲率による深さ調整がすべてなくなるとNGCFに縮退し、かつ
(II)曲率対応スケジュールは、一様深度伝播よりも、正の曲率(周辺)ノード上の深層での識別情報を厳格に保持する。
NTCFは、多くの広く使われているGCFバックボーンモデルよりも高いパフォーマンスを実現し、バックボーンとして既存の先進的な自己管理モデルに統合することができ、元のバックボーンを置き換えることで、パフォーマンスの向上を実現している。
3つの公開データセットに対する大規模な実験は、NTCFの優位性を示している。
関連論文リスト
- Deep Neural Sheaf Diffusion [3.402787708517185]
本稿では,層間情報伝達信号を維持するために,層間ラプラシアンを層間隣接演算子に置き換えるEmphDeep Neural Sheaf Diffusion (DNSD)を提案する。
DNSDはグラフタスクの深い集約を効果的に利用し、合成長範囲データセット上で最大30ppの精度でGNNおよびNSDベースラインを上回ります。
論文 参考訳（メタデータ） (2026-05-18T18:42:19Z) - Layer Embedding Deep Fusion Graph Neural Network [25.30982656886312]
グラフニューラルネットワーク(GNN)は,グラフ構造化データからの学習表現において,優れた性能を示す。
本稿では,Deep Fusion Graph Neural Network (LEDF-GNN) と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-25T14:25:02Z) - Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。
VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。
合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
論文 参考訳（メタデータ） (2026-01-30T03:59:38Z) - Beyond Fixed Depth: Adaptive Graph Neural Networks for Node Classification Under Varying Homophily [10.0426843232642]
本研究では,局所構造特性とラベル特性を情報伝達ダイナミクスに関連付ける理論的枠組みを開発する。
本稿では,ノード固有の集約深さを動的に選択する適応深度GNNアーキテクチャを提案する。
本手法は, 統一モデルにおけるホモ親和性パターンとヘテロ親和性パターンの両方にシームレスに適応する。
論文 参考訳（メタデータ） (2025-11-10T01:37:51Z) - 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) - Towards Anomaly-Aware Pre-Training and Fine-Tuning for Graph Anomaly Detection [59.042018542376596]
グラフ異常検出(GAD)は近年注目度が高まりつつあるが、2つの重要な要因があるため、依然として困難である。
Anomaly-Aware Pre-Training and Fine-Tuning (APF)は、GADの課題を軽減するためのフレームワークである。
10のベンチマークデータセットに関する総合的な実験は、最先端のベースラインと比較してAPFの優れたパフォーマンスを検証する。
論文 参考訳（メタデータ） (2025-04-19T09:57:35Z) - A Topological Perspective on Demystifying GNN-Based Link Prediction
Performance [72.06314265776683]
トポロジカル濃度 (TC) は、各ノードの局所部分グラフと隣人の部分グラフの交点に基づいている。
また,TCLは,次数や部分グラフ密度などの他のノードレベルのトポロジ指標よりもLP性能と高い相関性を示した。
我々は, 近似トポロジカル濃度 (ATC) を提案し, 理論的・経験的にTC近似の有効性を正当化し, 複雑さを低減させる。
論文 参考訳（メタデータ） (2023-10-06T22:07:49Z) - Deep Graph Neural Networks via Posteriori-Sampling-based Node-Adaptive Residual Module [65.81781176362848]
グラフニューラルネットワーク(GNN)は、近隣情報収集を通じてグラフ構造化データから学習することができる。
レイヤーの数が増えるにつれて、ノード表現は区別不能になり、オーバー・スムーシング(over-smoothing)と呼ばれる。
我々は,textbfPosterior-Sampling-based, Node-distinguish Residual Module (PSNR)を提案する。
論文 参考訳（メタデータ） (2023-05-09T12:03:42Z) - Reasoning Graph Networks for Kinship Verification: from Star-shaped to
Hierarchical [85.0376670244522]
階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。
より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。
また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
論文 参考訳（メタデータ） (2021-09-06T03:16:56Z) - Non-Recursive Graph Convolutional Networks [33.459371861932574]
非再帰グラフ畳み込みネットワーク(NRGCN)と呼ばれる新しいアーキテクチャを提案し、GCNのトレーニング効率と学習パフォーマンスの両方を改善します。
NRGCNは、内部層凝集と層非依存サンプリングに基づいて、各ノードの隣人のホップを表す。
このようにして、各ノードは、隣人の各ホップから独立して抽出された情報を連結することで直接表現することができる。
論文 参考訳（メタデータ） (2021-05-09T08:12:18Z) - RGCF: Refined Graph Convolution Collaborative Filtering with concise and
expressive embedding [42.46797662323393]
我々はRefined Graph Convolution Collaborative Filtering(RGCF)というGCNベースの新しい協調フィルタリングモデルを開発した。
RGCFはグラフ内の暗黙の高次連結性を捉えることができ、結果として得られるベクトル表現はより表現力が高い。
我々は3つの公開百万規模のデータセットに対して広範な実験を行い、我々のRGCFが最先端のモデルを大幅に上回っていることを実証した。
論文 参考訳（メタデータ） (2020-07-07T12:26:10Z) - Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。
本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。
特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文 参考訳（メタデータ） (2020-05-16T04:44:29Z) - Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning
via Gaussian Processes [144.6048446370369]
グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。
グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。
GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-02-26T10:02:32Z)
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。