[論文レビュー] How Powerful is Graph Convolution for Recommendation?

論文メモ

GCNがいかに推薦システムにとって有効であるかの論文
グラフ信号処理の手法を用いて，GCNベースのCF手法の理解を深める
シンプルで計算量が少ないCFベースラインを提示し、Graph Filter based Collaborative Filtering (GF-CF) を提案
GCNベースの手法の理解を深め，古典的な手法を取り入れたGCNに基づく統一的なフレームワークを開発
GCN, NGCF, LightGCN, UltraGCN(2021)
LightGCN[13]のlight convolutionなどは、グラフ信号の滑らかさを促進する
- Convolution自体が低周波数部分を強調し、高周波数部分をカットする役割を果たす => ローパスの役割
LGCN-IDE(LGCN with Inﬁnitely Dimensional Embedding)
LGCNIDEは、そのシンプルさと効率の良さから、一般的なローパスフィルタを組み込むために拡張
近隣ベースの手法[1]，低ランク行列分解[6]，線形オートエンコーダ[36]はすべて，様々な古典的なローパスフィルタを用いたこのフレームワークの特別なケースであることが証明された

低ランク行列分解，線形オートエンコーダはすべて，様々な古典的なローパスフィルタを用いたこのフレームワークの特別なケースであることが証明された
- この部分がまだ理解できない
- 低ランク近似の小さな特異値の成分は高周波成分に相当するという事か？