- GNN4FR: กรอบคำแนะนำแบบรวมศูนย์ที่ใช้ GNN แบบไม่สูญเสีย (arXiv)
ผู้แต่ง : Guowei Wu, Weike Pan, Zhong Ming
บทคัดย่อ : โครงข่ายประสาทเทียมแบบกราฟ (GNN) ได้รับความนิยมอย่างกว้างขวางในระบบผู้แนะนำ เนื่องจากความสามารถในการรวบรวมข้อมูลโครงสร้างที่มีลำดับสูงกว่าระหว่างโหนดของผู้ใช้และรายการ อย่างไรก็ตาม วิธีการเหล่านี้จำเป็นต้องรวบรวมข้อมูลการโต้ตอบส่วนบุคคลระหว่างผู้ใช้กับรายการที่เกี่ยวข้อง จากนั้นสร้างแบบจำลองในเซิร์ฟเวอร์กลาง ซึ่งจะฝ่าฝืนกฎหมายความเป็นส่วนตัว เช่น GDPR จนถึงตอนนี้ ไม่มีงานใดที่สามารถสร้างกราฟทั่วโลกได้โดยไม่ทำให้ข้อมูลการโต้ตอบส่วนตัวของผู้ใช้แต่ละคนรั่วไหล (เช่น กราฟย่อยของเขาหรือเธอ) ในบทความนี้ เราเป็นคนแรกที่ออกแบบกรอบงานคำแนะนำแบบรวมศูนย์แบบไม่สูญเสียข้อมูลแบบใหม่โดยยึดตาม GNN ซึ่งช่วยให้บรรลุการฝึกอบรมแบบกราฟเต็มรูปแบบพร้อมข้อมูลโครงสร้างระดับสูงที่สมบูรณ์ ทำให้กระบวนการฝึกอบรมสามารถเทียบเท่ากับกระบวนการฝึกอบรมที่ไม่ได้รวมศูนย์ที่สอดคล้องกัน นอกจากนี้ เรายังใช้ LightGCN เพื่อสร้างตัวอย่างกรอบงานของเราและแสดงความเท่าเทียมกัน
2.ADR-GNN: โครงข่ายประสาทเทียมกราฟ Advection-Diffusion-Reaction (arXiv)
ผู้แต่ง : Moshe Eliasof, Eldad Haber, Eran Treister
บทคัดย่อ : โครงข่ายประสาทเทียมแบบกราฟ (GNN) แสดงให้เห็นถึงความสำเร็จอย่างน่าทึ่งในการเรียนรู้การนำเสนอข้อมูลที่มีโครงสร้างกราฟ อย่างไรก็ตาม GNN ยังคงเผชิญกับความท้าทายในการสร้างแบบจำลองปรากฏการณ์ที่ซับซ้อนที่เกี่ยวข้องกับการเปลี่ยนแปลง ในบทความนี้ เราเสนอสถาปัตยกรรม GNN ใหม่ที่ใช้ระบบ Advection-Diffusion-Reaction ที่เรียกว่า ADR-GNN Advection จำลองการส่งข้อมูลโดยตรง การแพร่กระจายจับความเรียบของข้อมูลในท้องถิ่น และปฏิกิริยาแสดงถึงการเปลี่ยนแปลงข้อมูลแบบไม่เชิงเส้นในช่องสัญญาณ เราจัดทำการวิเคราะห์พฤติกรรมเชิงคุณภาพของ ADR-GNN ซึ่งแสดงให้เห็นถึงประโยชน์ของการรวมการเคลื่อนตัว การแพร่กระจาย และปฏิกิริยาเข้าด้วยกัน เพื่อแสดงให้เห็นถึงประสิทธิภาพ เราประเมิน ADR-GNN บนการจัดหมวดหมู่โหนดในโลกแห่งความเป็นจริงและชุดข้อมูลเชิงพื้นที่และเชิงพื้นที่ และแสดงให้เห็นว่า ADR-GNN ปรับปรุงหรือเสนอประสิทธิภาพการแข่งขันเมื่อเปรียบเทียบกับเครือข่ายที่ล้ำสมัย
