論文の概要: Sheaf-Inspired Structured Scoring Extensions of LightGCN for Collaborative Filtering
- arxiv url: http://arxiv.org/abs/2611.17226v1
- Date: Thu, 12 Nov 2026 18:20:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.584522
- Title: Sheaf-Inspired Structured Scoring Extensions of LightGCN for Collaborative Filtering
- Title(参考訳): フラフインスパイアされた光GCNのコラボレーティブフィルタへの応用
- Abstract要約: グラフベースのコラボレーティブフィルタリングはユーザとアイテムの表現をユーザ間相互作用グラフ上に埋め込むことによって学習する。
光GCNバックボーン上に設置したモジュラー・シーフにインスパイアされたスコアリング拡張について検討した。
- 参考スコア(独自算出の注目度): 39.20268547244057
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph-based collaborative filtering learns user and item representations by propagating embeddings over a user--item interaction graph. We investigate a modular, sheaf-inspired scoring extension placed on top of a three-layer LightGCN backbone. The motivation comes from cellular sheaves, where local vector spaces are related by linear restriction maps; here, this idea motivates structured, pair-dependent transformations of user and item embeddings rather than a change to graph propagation. We compare the identity inner-product scorer, diagonal, rank-one low-rank, and full matrix residual scorers, and a parameter-matched residual MLP baseline (\texttt{mlp\_full}) on Amazon-Book, Gowalla, MovieLens-1M, and Yelp2018. We report ranking quality and catalog coverage at cutoffs 10 and 20. The selected structured variants show modest, dataset-dependent changes in ranking quality and sometimes substantial changes in coverage. Our method is inspired by sheaf geometry but does not construct a cellular sheaf or implement sheaf-Laplacian diffusion; the experiments therefore do not establish a causal benefit from sheaf geometry itself.
- Abstract(参考訳): グラフベースのコラボレーティブフィルタリングはユーザとアイテムの表現をユーザ間相互作用グラフ上に埋め込むことによって学習する。
光GCNバックボーン上に設置したモジュラー・シーフにインスパイアされたスコアリング拡張について検討した。
このアイデアは、グラフの伝播の変化ではなく、ユーザとアイテムの埋め込みの構造化されたペア依存的な変換を動機付けている。
本研究では,Amazon-Book,Gowalla,MovieLens-1M,Yelp2018の内積スコアラ,対角,ランクワン低ランク,全行列残差スコアラ,パラメータマッチング残差MLPベースライン(\texttt{mlp\_full})を比較した。
カットオフ10,20においてランキング品質とカタログのカバレッジを報告した。
選択された構造化された変種は、適度でデータセットに依存したランキング品質の変化を示し、時にはカバレッジの大幅な変化を示す。
本手法は, せん断幾何学に着想を得たものであるが, 細胞層を構築したり, せん断ラプラシア拡散を実装したりしないため, せん断幾何学自体による因果的利益は得られない。
関連論文リスト
- Unifying Graph Neural Networks Through a Common Layer Equation [75.88127999406392]
7つのコンポーネントを通して被覆されたアーキテクチャを表現する共通層方程式を導入する。
中央の因子化は、伝達銀行によってエンコードされた情報と、メッセージマップによってエンコードされた動きとを分離する。
この統合を明確化し、標準層とコンポーネント割り当ての作業的削減を通じて、チェック可能にする。
論文 参考訳(メタデータ) (2026-08-17T04:37:59Z) - Cardinality-Decomposed Loss: Matching Training Objectives to Relation Structure in Heterogeneous Recommendation Graphs [0.061573828205377185]
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。
論文 参考訳(メタデータ) (2026-07-22T21:33:02Z) - Domain-Filtered Knowledge Graphs from Sparse Autoencoder Features [2.61135281451375]
我々は、大規模なSAE在庫から厳密なドメイン固有概念宇宙を構築する。
次に、フィルタセット上に2つの整列グラフビューを構築します。
これらのグラフビューを、ラベルのないレイアウトではなく、読みやすい知識グラフにラベル付けします。
論文 参考訳(メタデータ) (2026-04-26T18:17:56Z) - Learn to Rank: Visual Attribution by Learning Importance Ranking [58.69028273772474]
コンピュータビジョンモデルのための視覚属性マップを生成する新しい手法を提案する。
提案手法は, 任意の数段階の勾配補正を施した1つの前方通過において, 密度の高い画素レベルの属性を生成する。
我々の実験は、一貫した定量的改善と、よりシャープで境界に沿った説明を示す。
論文 参考訳(メタデータ) (2026-04-07T12:53:22Z) - From Data Statistics to Feature Geometry: How Correlations Shape Superposition [23.393264014989615]
機械的解釈可能性における中心的な考え方は、ニューラルネットワークが次元よりも多くの特徴を表現することである。
重ね合わせは、特徴がスパースで非相関な理想的な設定で研究されている。
重ね合わせは一般に、幾何学的に最小化され、非線形性によってフィルタリングされなければならない干渉を導入するものとして理解される。
論文 参考訳(メタデータ) (2026-03-10T17:59:02Z) - Curriculum Guided Personalized Subgraph Federated Learning [8.721619913104899]
Subgraph Federated Learning (FL)は、分散プライベートサブグラフ間でグラフニューラルネットワーク(GNN)をトレーニングすることを目的としている。
重み付きモデルアグリゲーションは、類似のサブグラフ特性を持つクライアントからパラメータにより大きな重みを割り当てることで、各ローカルGNNをパーソナライズする。
そこで我々は,Curriculum Guided PersonalsUbgraph Federated Learning (CUFL) という新たなサブグラフFLフレームワークを提案する。
論文 参考訳(メタデータ) (2025-08-30T08:01:36Z) - GlueStick: Robust Image Matching by Sticking Points and Lines Together [64.18659491529382]
本稿では,1つのワイヤフレーム構造にポイント,ライン,ディスクリプタを統一する新たなマッチングパラダイムを提案する。
私たちの戦略は、他のマッチングアプローチよりも優れています。
論文 参考訳(メタデータ) (2023-04-04T17:58:14Z) - Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。
既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。
本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
論文 参考訳(メタデータ) (2020-04-12T03:53:53Z) - 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。