論文の概要: The Edge Spectrum of Choice-Derived Item Graphs: Strong and Weak Edges Encode Different Relations in Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2608.29578v1
• Date: Sun, 30 Aug 2026 05:53:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.001662
• Title: The Edge Spectrum of Choice-Derived Item Graphs: Strong and Weak Edges Encode Different Relations in Collaborative Filtering
• Title（参考訳）: 選択派生アイテムグラフのエッジスペクトル:コラボレーションフィルタリングにおける異なる関係を符号化する強弱エッジ
• Abstract要約: 強辺と弱辺が定性的に異なる関係を符号化していることを示す。 我々はこれをスムージング演算子とランク勾配との符号ミスマッチとして定式化する。 この診断は、MDNとEB-NeRDの3つの経験的観察を説明する。
• 参考スコア（独自算出の注目度）: 38.85665556927363
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph collaborative filtering relies on item--item graphs whose edges are used for positive smoothing, under the implicit assumption that stronger edges encode more of the same relation as weaker ones. We show that this assumption fails for a practically important class of graphs: those whose edge weights come from a choice model. On such graphs, strong and weak edges encode qualitatively different relations, which we call an edge spectrum. Specifically, strong edges concentrate on the in-slate competitors of clicked items, exactly the pairs that the within-slate ranking gradient pushes apart, while weak edges do not. We formalize this as a sign mismatch between the smoothing operator and the ranking gradient, and prove that co-click graphs cannot exhibit the same misalignment by construction. This diagnosis explains three empirical observations on MIND and EB-NeRD: (i) drop-in choice-derived operators do not beat co-click, despite indexing structurally distinct neighborhoods; (ii) uniform scalar fixes (sign flip, in-slate margin loss) fail predictably, because the misalignment lives in the graph, not in the loss; (iii) only edge-magnitude-aware operators, with the regime boundary located by the diagnosis rather than by tuning, recover the predicted ordering. The neighbor cutoff $k$ is therefore a semantic switch, not a sparsification hyperparameter. Our claim concerns which interventions fail or succeed and why, not absolute headline gains, which the diagnosis itself predicts to be small under the attenuated propagation channel we observe. We turn the diagnosis into a reusable protocol practitioners can run before deploying any choice-derived item-side operator. Code: https://github.com/kyomusso/Edge-Spectrum-in-CF.
• Abstract（参考訳）: グラフ協調フィルタリングは、より強いエッジがより弱いものと同じ関係をエンコードするという暗黙の仮定の下で、エッジが正の滑らか化に使用されるアイテムイテムグラフに依存している。 この仮定は、エッジウェイトが選択モデルから来るような、事実上重要なグラフのクラスで失敗することを示します。 そのようなグラフ上では、強いエッジと弱いエッジは定性的に異なる関係を符号化し、エッジスペクトルと呼ぶ。 具体的には、強いエッジはクリックされたアイテムのインレート競合に集中する。 これをスムーズな演算子とランク勾配の符号ミスマッチとして形式化し、コクリックグラフが構築によって同じミスアライメントを示すことができないことを証明する。 この診断はMDNとEB-NeRDの3つの経験的観察を説明する。 (i) 構造的に異なる近傍をインデックス化しているにもかかわらず、ドロップイン選択由来の作用素はコクリックを破らない。 (二)一様スカラーの修正(符号フリップ、in-slateマージンの損失)は、ミスアライメントがグラフに存在し、損失にはないため、予測的に失敗する。 三 エッジマグニチュードを意識した演算子のみであって、予測順序を調整するのではなく、診断によってその状態境界を定めているもの。 隣人の$k$は、スパーシフィケーションハイパーパラメータではなく、セマンティックスイッチである。 我々の主張は、介入が失敗または成功し、なぜ絶対的な見出しが得られないのかということであり、診断自体が私たちが観察する減衰伝播チャネルの下では小さいと予測している。 選択可能なアイテムサイドオペレータをデプロイする前に、再利用可能なプロトコルに診断を変換します。 コード:https://github.com/kyomusso/Edge-Spectrum-in-CF

関連論文リスト

• SEA: Spectral Edge Attacks on Graph Neural Networks [1.066048003460524]
  本稿では,スペクトルロバスト性評価を利用して摂動を誘導する新たな攻撃群を提案する。 i)最もスペクトル的に堅牢なエッジを除去するSpade-guided deletion攻撃と,(ii)脆弱なスペクトル空間において最大不整合なノード間のエッジを挿入するSpade-guided addition攻撃である。
  論文  参考訳（メタデータ） (2025-11-30T01:40:15Z)
• Adversarial Signed Graph Learning with Differential Privacy [13.459205297125534]
  正と負のエッジを持つ符号付きグラフは、ソーシャルネットワークの複雑な関係をモデル化することができる。 繊細な署名付きグラフのトレーニングは、重要なプライバシー上の懸念を提起する。 本稿では,プライバシ保護のためのグラフ学習手法ASGLを提案する。
  論文  参考訳（メタデータ） (2025-11-29T04:02:48Z)
• A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
  署名されたグラフの枠組みに基づく統一的な理論的視点を示す。 既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。 本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:25:36Z)
• Why Does Dropping Edges Usually Outperform Adding Edges in Graph Contrastive Learning? [54.44813218411879]
  グラフがネットワークにどのように適合するかを定量化するために、新しいメトリック、すなわちエラー通過率(EPR)を導入する。 理論的な結論とポジティブ・インセンティブ雑音のアイデアに触発されて、我々は新しいGCLアルゴリズム、エラー・パッシングに基づくグラフコントラスト学習(EPAGCL)を提案する。 EPRから得られる重みに基づいてエッジの追加とドロップによりビューを生成する。
  論文  参考訳（メタデータ） (2024-12-11T06:31:06Z)
• Countering adversarial perturbations in graphs using error correcting codes [7.553245365626645]
  逆の摂動は、送信機と受信機の間のグラフの送信中に起こる。 本研究は,送信側が指定した雑音と受信側の多数決による繰り返し符号化方式を探索し,グラフの構造を整理する。
  論文  参考訳（メタデータ） (2024-06-20T12:14:01Z)
• ADEdgeDrop: Adversarial Edge Dropping for Robust Graph Neural Networks [53.41164429486268]
  グラフニューラルネットワーク(GNN)は、近隣ノードからグラフ構造化情報を収集する強力な能力を示した。 GNNの性能は、ノイズや冗長なグラフデータによって引き起こされる一般化の貧弱さと脆弱な堅牢性によって制限される。 本稿では,エッジの除去を誘導する対向エッジ予測器を利用する新しい対向エッジドロップ法 (ADEdgeDrop) を提案する。
  論文  参考訳（メタデータ） (2024-03-14T08:31:39Z)
• Are Gradients on Graph Structure Reliable in Gray-box Attacks? [56.346504691615934]
  従来のグレーボックス攻撃者は、グラフ構造を乱すために、サロゲートモデルからの勾配を用いて脆弱なエッジを見つける。 本稿では,構造勾配の不確実性に起因する誤差を考察し,解析する。 本稿では,構造勾配の誤差を低減する手法を用いた新しい攻撃モデルを提案する。
  論文  参考訳（メタデータ） (2022-08-07T06:43:32Z)
• Reinforced Causal Explainer for Graph Neural Networks [112.57265240212001]
  グラフニューラルネットワーク(GNN)の探索には説明可能性が不可欠である 我々は強化学習エージェントReinforced Causal Explainer (RC-Explainer)を提案する。 RC-Explainerは忠実で簡潔な説明を生成し、グラフを見えなくするより優れたパワーを持つ。
  論文  参考訳（メタデータ） (2022-04-23T09:13:25Z)

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。