論文の概要: SAHC-NS: Structure-Aware and Hardness-Calibrated Negative Sampling for Implicit Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2608.16587v2
• Date: Mon, 24 Aug 2026 08:45:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:36.883607
• Title: SAHC-NS: Structure-Aware and Hardness-Calibrated Negative Sampling for Implicit Collaborative Filtering
• Title（参考訳）: SAHC-NS:無作為な協調フィルタリングのための構造認識と硬度校正負サンプリング
• Abstract要約: 本稿では,SAHC-NSという構造認識・硬度校正負サンプリング手法を提案する。 SAHC-NSは、階層的マッチングスコアの平均偏差と標準偏差を利用して、全体のマッチング強度と候補負の層間構造差をキャプチャする。
• 参考スコア（独自算出の注目度）: 39.837499598325174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Negative sampling is a key component of implicit collaborative filtering (CF), as it enables recommenders to effectively learn user preferences. Existing negative sampling methods mostly follow a two-stage paradigm: they first construct a candidate negative pool for each user and then select negative samples from the pool according to predefined sampling rules. However, these methods usually overlook the hardness variation of candidate negative pools across users, making it difficult to adaptively adjust the hardness and informativeness of negative samples according to candidate-pool conditions. In addition, most existing samplers evaluate candidate negatives mainly through a matching score computed from the final aggregated user and item embeddings, while ignoring the structural differences captured by multi-hop neighborhood aggregation. As a result, the training value of negatives may be insufficiently characterized. To address these issues, we propose SAHC-NS, a Structure-Aware and Hardness-Calibrated Negative Sampling method. Specifically, SAHC-NS uses the mean and standard deviation of layer-wise matching scores to capture the overall matching strength and cross-layer structural discrepancy of candidate negatives, respectively. This enables SAHC-NS to select informative negatives by taking cross-layer structural discrepancy into account, rather than relying solely on final matching scores. Moreover, SAHC-NS introduces a candidate-pool-aware hardness calibration module to dynamically adjust negative augmentation strength according to candidate-pool hardness, producing hardness-controllable negatives. Extensive experiments demonstrate the superiority of SAHC-NS over existing negative sampling methods.
• Abstract（参考訳）: ネガティブサンプリングは、暗黙の協調フィルタリング(CF)の重要なコンポーネントであり、レコメンダがユーザの好みを効果的に学習できるようにする。 既存のネガティブサンプリング手法は主に2段階のパラダイムに従っており、まずユーザ毎に候補負のプールを構築し、事前に定義されたサンプリングルールに従ってプールから負のサンプルを選択する。 しかし、これらの手法は通常、ユーザ間での候補負のプールの硬さの変動を見落とし、候補-プール条件に応じて正のサンプルの硬さと情報度を適応的に調整することが困難となる。 さらに, 既存サンプルの多くは, 最終集計ユーザと項目埋め込みから算出した一致スコアを用いて, 複数ホップ近傍アグリゲーションによって得られた構造的差異を無視しながら, 主に候補負を評価する。 その結果、負のトレーニング値が不十分となる。 これらの問題に対処するために,構造認識・硬度校正負サンプリング法SAHC-NSを提案する。 具体的には、SAHC-NSは、各層間マッチングスコアの平均と標準偏差を用いて、それぞれ候補負の全体的なマッチング強度と層間構造差をキャプチャする。 これにより、SAHC-NSは最終的な一致スコアのみに頼るのではなく、層間構造上の相違を考慮して情報的負を選択することができる。 さらに、SAHC-NSは、候補プール硬度に応じて負の増強強度を動的に調整し、硬さ制御可能な負の値を生成するために、候補プール対応硬度校正モジュールを導入している。 大規模な実験は、既存の負のサンプリング法よりもSAHC-NSの方が優れていることを示した。

関連論文リスト

• Diverse Negative Sampling for Implicit Collaborative Filtering [26.57812122315108]
  負のトレーニングデータにおける多様性を考慮したDivNS(Diverse Negative Smpling)を提案する。 DivNSは、大きな好みスコアを持つハードネガティブアイテムを見つけ、ユーザ固有のキャッシュを構築する。 キャッシュからさまざまなネガティブアイテムのサブセットを選択し、ユーザのハードネガティブとの相違を保証します。 結果として得られる合成陰性は情報的かつ多様であり、推薦者はより広い項目空間を学習し、その一般化性を向上させることができる。
  論文  参考訳（メタデータ） (2025-08-20T06:48:54Z)
• Causal Negative Sampling via Diffusion Model for Out-of-Distribution Recommendation [7.354459720418281]
  ヒューリスティックな負サンプリングは、予め定義された候補プールから様々な硬度レベルの負のサンプルを選択することにより、推薦性能を高める。 候補プールにおける未観測環境共創者は、偽硬陰性(FHNS)をサンプリング法で導入する可能性がある 本稿では,この問題を解決するためにDiffusion (CNSDiff) を用いたCausal Negative Smpling という新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-08-10T08:55:21Z)
• Can LLM-Driven Hard Negative Sampling Empower Collaborative Filtering? Findings and Potentials [9.668242919588199]
  強い負のサンプルはモデル収束を加速し、決定境界を最適化する。 本稿ではセマンティックネガティブサンプリングの概念を紹介する。 協調信号によって制御される微調整LDMに基づくHNLMRecというフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-07T04:39:45Z)
• SyNeg: LLM-Driven Synthetic Hard-Negatives for Dense Retrieval [45.971786380884126]
  Dense Search (DR) の性能は, 陰性サンプリングの品質に大きく影響される。 大規模言語モデル(LLM)の最近の進歩は、文脈的にリッチで多様な負のサンプルを生成することで革新的なソリューションを提供する。 本研究では,LLMを用いて高品質な硬質負のサンプルを合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-23T03:49:00Z)
• Contrastive Learning with Negative Sampling Correction [52.990001829393506]
  PUCL(Positive-Unlabeled Contrastive Learning)という新しいコントラスト学習手法を提案する。 PUCLは生成した負のサンプルをラベルのないサンプルとして扱い、正のサンプルからの情報を用いて、対照的な損失のバイアスを補正する。 PUCLは一般的なコントラスト学習問題に適用でき、様々な画像やグラフの分類タスクにおいて最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-13T11:18:18Z)
• Your Negative May not Be True Negative: Boosting Image-Text Matching with False Negative Elimination [62.18768931714238]
  提案手法は, サンプリングによる新規な偽陰性除去 (FNE) 戦略である。 その結果,提案した偽陰性除去戦略の優位性が示された。
  論文  参考訳（メタデータ） (2023-08-08T16:31:43Z)
• FedCL: Federated Contrastive Learning for Privacy-Preserving Recommendation [98.5705258907774]
  FedCLは、プライバシーを十分に保護した効果的なモデルトレーニングのために、高品質な負のサンプルを利用することができる。 まず、各クライアントのローカルモデルを介してローカルユーザデータからユーザ埋め込みを推測し、その後、ローカルディファレンシャルプライバシ(LDP)で摂動する。 個々のユーザ埋め込みにはLDPによる重騒音が伴うため,ノイズの影響を軽減するため,サーバ上にユーザ埋め込みをクラスタ化することを提案する。
  論文  参考訳（メタデータ） (2022-04-21T02:37:10Z)
• Contrastive Learning with Hard Negative Samples [80.12117639845678]
  我々は, 厳密な陰性サンプルを選択するために, 教師なしサンプリング手法を新たに開発する。 このサンプリングの制限ケースは、各クラスをしっかりとクラスタ化し、可能な限り異なるクラスを遠くにプッシュする表現をもたらす。 提案手法は、複数のモードをまたいだダウンストリーム性能を改善し、実装するコード行数が少なく、計算オーバーヘッドを伴わない。
  論文  参考訳（メタデータ） (2020-10-09T14:18:53Z)

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。