[논문 리뷰] Geometric Matrix Completion: A Functional View

Abhishek Sharma, Maks Ovsjanikov|arXiv (Cornell University)|2020. 09. 29.

Sparse and Compressive Sensing Techniques참고 문헌 16인용 수 4

한 줄 요약

이 논문은 기능적 맵 문헌에서 유래한 이론적으로 타당한 단일 정규화를 사용하여 기하학적 행렬 완성의 새로운 기능적 시각을 제안한다. 이는 합성 및 실세계 추천 데이터셋에서 최신 기술을 초월하는 성능을 달성하며, 합성 환경에서는 이전 방법보다 최대 두 계단 정도 뛰어난 성능을 보이며, 이전 방법들보다 더 단순하고 해석 가능성이 높다.

ABSTRACT

We propose a totally functional view of geometric matrix completion problem. Differently from existing work, we propose a novel regularization inspired from the functional map literature that is more interpretable and theoretically sound. On synthetic tasks with strong underlying geometric structure, our framework outperforms state of the art by a huge margin (two order of magnitude) demonstrating the potential of our approach. On real datasets, we achieve state-of-the-art results at a fraction of the computational effort of previous methods. Our code is publicly available at https://github.com/Not-IITian/functional-matrix-completion

연구 동기 및 목표

• 복잡하고 비볼록 정규화 기반의 기존 기하학적 행렬 완성 방법의 한계를 해결하기 위해.
• 행렬 완성을 위해 행과 열 그래프의 기하학적 구조를 활용하는 원칙적이고 해석 가능한 프레임워크를 개발하기 위해.
• 강한 기하학적 구조를 가진 합성 데이터셋에서의 성능를 향상시키면서도, 실세계 추천 시스템 데이터에서의 효율성을 유지하기 위해.
• 다중 정규화 항을 단일 이론적으로 타당한 기능적 정규화로 대체하여 최적화를 단순화하기 위해.
• 그래프 라플라시안 고유함수를 통한 감소 기저 표현이 효과적인 행렬 복구를 위한 충분한 저질서 정규화를 제공하는지 확인하기 위해.

제안 방법

• 행과 열 그래프 간의 기능적 맵 표현을 사용하여 기하학적 행렬 완성을 볼록 최적화 문제로 공식화한다.
• 그래프 라플라시안의 스펙트럼 분해를 활용하여 두 그래프의 곱 공간에서 함수를 표현하기 위한 저차원 기저를 정의한다.
• 행과 열 그래프의 고유기저 간의 일관성을 강제하는 기능적 맵 정합 기반 단일 정규화 항을 도입한다.
• 비볼록 항을 피하기 위해 데이터 적합성과 제안된 기능적 정규화의 조합을 최소화하여 행렬 완성 목적을 최적화한다.
• 그래프 라플라시안의 고유기저를 감소된 표현 공간으로 사용하여 최적화할 파라미터 수를 크게 줄인다.
• 행과 열 그래프의 고유기저를 정렬하기 위해 변환 행렬을 적용하여, 느슨한 등거리성 가정 하에 대각선 기능적 맵 표현을 가능하게 한다.

실험 결과

연구 질문

• RQ1 기능적 맵 이론에서 유래한 단일 볼록 정규화 항이 기하학적 행렬 완성에서 다중 비볼록 정규화보다 뛰어난 성능을 낼 수 있는가?
• RQ2 제안된 기능적 시각은 강한 기하학적 구조를 가진 합성 데이터셋에 얼마나 잘 일반화되는가?
• RQ3 실세계 추천 시스템에서 노이즈가 있거나 변형된 그래프 구조에 대해 이 방법은 어느 정도 강건한가?
• RQ4 기능적 맵 프레임워크는 기존의 딥러닝 기반 또는 다중 정규화 접근 방식보다 더 단순하고 해석 가능하면서도 최신 기술 성능을 달성할 수 있는가?
• RQ5 감소된 고유기저 표현을 사용할 경우, 희박한 관측에서 효과적인 행렬 복구를 위한 충분한 저질서 정규화를 제공하는가?

주요 결과

• 강한 기하학적 구조를 가진 합성 넷플릭스 데이터에서, 제안된 방법은 테스트 오차 0.0022를 달성하여 이전 최신 기술인 SGMC(0.0021)를 초월하며, 이전 방법들보다 100배 더 정확하다.
• 관측된 요소가 1%일 경우에도 SGMC를 능가하여 기하학적 행렬 복구에서 뛰어난 샘플 효율성을 보였다.
• 가우시안 노이즈가 가해진 노이즈가 있는 그래프에서, Ours-FM은 SGMC보다 더 강건한 성능을 보였으며, 특히 높은 노이즈 수준에서 두각을 나타냈다.
• 실세계 데이터셋인 Flixster와 Movielens-100K에서, 이 방법은 최신 기술 성능을 달성했으며, 각각 테스트 오차 0.888과 0.915를 기록하여 DMF와 Ours-FM를 능가했고, 최적화가 더 간단했다.
• 정규화를 생략한 베이스라인 Ours-FM 역시 Flixster에서 0.888의 강력한 성능를 기록하여 라플라시안 고유기저가 내재된 정규화 능력을 갖추고 있음을 시사한다.
• SGMC와 RGCNN과 같은 이전 최신 기술 모델보다 훨씬 낮은 계산 비용으로 최신 기술 성능를 달성했으며, 이는 볼록하고 압축된 공식화 덕분이었다.