論文の概要: Bridging the Topological Divide: Dual-Branch Graph Distillation with Semantic Priors for Robust Cold-Start Recommendation

• arxiv url: http://arxiv.org/abs/2610.19578v1
• Date: Wed, 14 Oct 2026 04:43:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.963414
• Title: Bridging the Topological Divide: Dual-Branch Graph Distillation with Semantic Priors for Robust Cold-Start Recommendation
• Title（参考訳）: トポロジカルディバイドのブリッジ:ロバストなコールドスタートレコメンデーションのためのセマンティック前駆体を用いたデュアルブランチグラフ蒸留
• Abstract要約: 本稿では,Dual-Branch Graph Knowledge Distillation FrameworkであるDualGCNを提案する。 分離した2段階の訓練パラダイムの下で運用する。 セマンティック・学生ブランチは、高忠実度クロスモーダルアライメントを達成するために、残留マッピング機構とマグニチュードに依存しないコサイン蒸留の目的を用いる。 3つの実世界のベンチマークデータセットによる実験では、厳密なコールドスタートシナリオにおいて、DualGCNが最先端のベースラインを大幅に上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Collaborative Filtering models have achieved remarkable success in recommendation systems. However, they inherently suffer from a catastrophic representation collapse in strict cold-start scenarios due to the topological isolation of unobserved items. While integrating multi-modal semantic features offers a potential remedy, directly mapping isolated semantic attributes into a globally topology-driven collaborative space frequently precipitates representation degradation and optimization conflicts. To bridge this fundamental structural divide, we propose DualGCN, an innovative Dual-Branch Graph Knowledge Distillation Framework. Operating under a decoupled two-stage training paradigm, DualGCN first constructs a robust collaborative teacher network where item representations are anchored by a topology-smoothed semantic prior, effectively reshaping the latent manifold. Subsequently, a semantic student branch employs a residual mapping mechanism and a magnitude-agnostic cosine distillation objective to achieve high-fidelity cross-modal alignment without disrupting established collaborative signals. Furthermore, we introduce a dynamic norm reconstruction mechanism to rigorously calibrate the physical scales of novel and warm items during global retrieval. Extensive experiments across three real-world benchmark datasets demonstrate that DualGCN significantly outperforms state-of-the-art baselines in strict cold-start scenarios while comprehensively preserving recommendation accuracy for highly active items.
• Abstract（参考訳）: グラフ協調フィルタリングモデルはレコメンデーションシステムにおいて顕著な成功を収めた。 しかし、観測されていないアイテムのトポロジカルな隔離により、厳密なコールドスタートシナリオにおける破滅的な表現の崩壊に本質的に苦しんでいる。 マルチモーダルなセマンティック機能の統合は潜在的な救済を提供する一方で、分離されたセマンティック属性を直接、グローバルなトポロジ駆動のコラボレーティブスペースにマッピングすることで、表現の劣化と最適化の競合が頻繁に発生する。 この基本構造分割を橋渡しするために、我々はDual-Branch Graph Knowledge Distillation FrameworkであるDualGCNを提案する。 分離された2段階のトレーニングパラダイムの下で運用されているDualGCNは、アイテム表現をトポロジに平滑なセマンティックによって固定し、潜在多様体を効果的に再構築する、堅牢な協調的な教師ネットワークを構築している。 その後、セマンティック・学生ブランチは、確立された協調シグナルを乱すことなく、高忠実度クロスモーダルアライメントを達成するために、残留マッピング機構と等級に依存しないコサイン蒸留の目的を用いる。 さらに,グローバル検索において,新鮮品や温暖品の物理的スケールを厳格に調整するための動的ノルム再構築機構を導入する。 3つの実世界のベンチマークデータセットにわたる大規模な実験により、DualGCNは厳密なコールドスタートシナリオにおいて最先端のベースラインを著しく上回り、高いアクティブアイテムの推奨精度を包括的に保存することを示した。

関連論文リスト

• Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
  MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。 事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。 高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。 本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。 SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
  論文  参考訳（メタデータ） (2026-05-23T17:42:25Z)
• Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering [57.38215918201251]
  本稿では,不完全なマルチビュークラスタリングのためのハイパーボリック拡張表現学習フレームワークであるHERLを提案する。 ポアンカレボール内で操作すると、HERLは表現学習を強化するために構造を意識した潜在空間を構築する。 HERLは最先端のアプローチよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-18T10:50:46Z)
• Beyond the Academic Monoculture: A Unified Framework and Industrial Perspective for Attributed Graph Clustering [75.50670592447219]
  分散グラフクラスタリング(AGC)は、構造トポロジとノード属性を共同でモデル化することによって、ノードを凝集性グループに分割する基本的な教師なしタスクである。 この調査は、3つの相補的な視点からAGCを包括的かつ工業的に基礎づけたレビューを提供する。
  論文  参考訳（メタデータ） (2026-03-21T14:15:34Z)
• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• 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)
• Why not Collaborative Filtering in Dual View? Bridging Sparse and Dense Models [17.01882282913444]
  協調フィルタリングは現代のレコメンデーターシステムの基盤となっている。 密埋め込みのセマンティック表現性とスパース相互作用パターンの構造的信頼性を統合した統合フレームワークSaD(Sparse and Dense)を提案する。 これら2つの視点を整合させることで、より優れたグローバルSNRが得られることを示す。
  論文  参考訳（メタデータ） (2026-01-14T08:47:07Z)
• Toward Stable Semi-Supervised Remote Sensing Segmentation via Co-Guidance and Co-Fusion [31.189038928192648]
  Co2Sは半教師付きRSセグメンテーションフレームワークで、ビジョン言語モデルと自己教師型モデルとを融合する。 テキスト埋め込みと学習可能なクエリを利用した,明示的でシンプルなセマンティックコガイダンス機構が導入された。 6つの一般的なデータセットに対する実験は,提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2025-12-28T18:24:19Z)
• Learning to Align and Refine: A Foundation-to-Diffusion Framework for Occlusion-Robust Two-Hand Reconstruction [50.952228546326516]
  単眼画像からの両手再建は、複雑でダイナミックな手の位置が原因で、永続的な課題に直面している。 既存のアプローチはそのようなアライメントの問題に悩まされ、しばしば不整合と侵入の成果物をもたらす。 本稿では,視覚基礎モデルからの2次元事前ガイダンスを正確に整合させる2段階のファンデーション・ツー・ディフュージョンフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-22T14:42:27Z)

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。