반복 전파의 부담
그래프 합성곱은 이웃의 메시지를 모아 표현을 만든다. 원 연구는 이 전달 과정이 특히 큰 추천 시스템에서 학습 수렴을 느리게 만드는 문제에 주목했다.
손실을 통한 근사
UltraGCN은 메시지를 여러 층에서 직접 전달하는 대신 무한 층 그래프 합성곱의 극한을 제약 손실로 근사한다. 특징 변환과 활성화를 없앤 LightGCN에서 한 단계 더 전파를 단순화하는 관점이다.
관계의 가중치와 평가
간선의 가중치를 배정하고 관계 유형 사이의 상대적 중요도를 조정할 수 있다. 원 연구는 네 벤치마크에서 예측 성능과 학습 효율을 그래프 기반 추천 모델들과 비교했다.
관련 문서
LightGCN / NGCF / 협업 필터링 / 메시지 전달 신경망 / 그래프 합성곱 신경망 / 추천 시스템