論文の概要: A Zero-Shot Generalization Framework for LLM-Driven Cross-Domain Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2501.19232v1
- Date: Fri, 31 Jan 2025 15:43:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-03 14:02:30.183197
- Title: A Zero-Shot Generalization Framework for LLM-Driven Cross-Domain Sequential Recommendation
- Title(参考訳): LLM駆動型クロスドメインシーケンスレコメンデーションのためのゼロショット一般化フレームワーク
- Authors: Yunzhe Li, Junting Wang, Hari Sundaram, Zhining Liu,
- Abstract要約: ゼロショットクロスドメインシーケンシャルレコメンデーション(ZCDSR)は、追加のトレーニングや微調整を必要とせずに、目に見えないドメインでの予測を可能にする。
大規模言語モデル(LLM)の最近の進歩は、豊富な事前訓練された表現を活用してドメイン間の知識伝達を促進することで、ZCDSRを大幅に改善している。
アイテムレベルとシーケンシャルレベルの両方においてドメイン間のアライメントを改善することで、LCMベースのZCDSRを強化するように設計された新しいフレームワークを提案する。
- 参考スコア(独自算出の注目度): 5.512301280728178
- License:
- Abstract: Zero-shot cross-domain sequential recommendation (ZCDSR) enables predictions in unseen domains without the need for additional training or fine-tuning, making it particularly valuable in data-sparse environments where traditional models struggle. Recent advancements in large language models (LLMs) have greatly improved ZCDSR by leveraging rich pretrained representations to facilitate cross-domain knowledge transfer. However, a key challenge persists: domain semantic bias, which arises from variations in vocabulary and content focus across domains. This misalignment leads to inconsistencies in item embeddings and hinders generalization. To address this issue, we propose a novel framework designed to enhance LLM-based ZCDSR by improving cross-domain alignment at both the item and sequential levels. At the item level, we introduce a generalization loss that promotes inter-domain compactness by aligning embeddings of similar items across domains while maintaining intra-domain diversity to preserve unique item characteristics. This prevents embeddings from becoming overly generic while ensuring effective transferability. At the sequential level, we develop a method for transferring user behavioral patterns by clustering user sequences in the source domain and applying attention-based aggregation for target domain inference. This dynamic adaptation of user embeddings allows effective zero-shot recommendations without requiring target-domain interactions. Comprehensive experiments across multiple datasets and domains demonstrate that our framework significantly improves sequential recommendation performance in the ZCDSR setting. By mitigating domain bias and enhancing the transferability of sequential patterns, our method provides a scalable and robust approach for achieving more effective zero-shot recommendations across domains.
- Abstract(参考訳): ゼロショットクロスドメインシーケンシャルレコメンデーション(ZCDSR)は、追加のトレーニングや微調整を必要とせずに、目に見えないドメインの予測を可能にする。
大規模言語モデル(LLM)の最近の進歩は、豊富な事前訓練された表現を活用してドメイン間の知識伝達を促進することで、ZCDSRを大幅に改善している。
ドメインセマンティックバイアス(ドメインセマンティックバイアス)は、語彙のバリエーションと、ドメイン間のコンテンツフォーカスから生じる。
このミスアライメントはアイテム埋め込みの不整合を招き、一般化を妨げる。
この問題に対処するために、アイテムレベルとシーケンシャルレベルのクロスドメインアライメントを改善することにより、LCMベースのZCDSRを強化するように設計された新しいフレームワークを提案する。
アイテムレベルでは、ドメイン間の類似アイテムの埋め込みを整列させ、ドメイン内の多様性を維持してユニークなアイテム特性を維持することで、ドメイン間のコンパクト性を促進する一般化損失を導入する。
これにより、埋め込みが過剰にジェネリックになるのを防ぎ、効果的な転送性を確保することができる。
逐次レベルでは、ソースドメイン内のユーザシーケンスをクラスタリングし、ターゲットドメインの推論にアテンションベースのアグリゲーションを適用することによって、ユーザの行動パターンを転送する手法を開発する。
ユーザ埋め込みの動的な適応は、ターゲットドメイン間の相互作用を必要とせずに、効果的なゼロショットレコメンデーションを可能にする。
複数のデータセットやドメインにわたる総合的な実験により、我々のフレームワークはZCDSR設定におけるシーケンシャルレコメンデーション性能を大幅に改善することを示した。
ドメインバイアスを緩和し、シーケンシャルパターンの転送可能性を高めることにより、ドメイン間のより効率的なゼロショットレコメンデーションを実現するためのスケーラブルでロバストなアプローチを提供する。
関連論文リスト
- Exploring Semantic Consistency and Style Diversity for Domain Generalized Semantic Segmentation [4.850207292777464]
ドメイン一般化セマンティック(Domain Generalized Semantic)は、未知のターゲットドメイン間のセマンティックセグメンテーションの一般化を強化することを目的としている。
本稿では,セマンティック一貫性予測とスタイル多様性の一般化のためのSCSDを紹介する。
SCSDは既存の最先端の手法を著しく上回っている。
論文 参考訳(メタデータ) (2024-12-16T18:20:06Z) - Improve Cross-domain Mixed Sampling with Guidance Training for Adaptive Segmentation [9.875170018805768]
教師なしのドメイン適応(UDA)は、ソースドメインでトレーニングされたモデルを調整し、追加のアノテーションを必要とせずにターゲットドメインでうまく機能させる。
本稿では,指導訓練という新しい補助課題を提案する。
本課題は,実世界の分散シフトを緩和しつつ,クロスドメイン混合サンプリング手法の有効利用を促進する。
既存の手法と統合し、継続的に性能を向上することで、我々のアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2024-03-22T07:12:48Z) - Hypernetwork-Driven Model Fusion for Federated Domain Generalization [26.492360039272942]
フェデレートラーニング(FL)は、異種データのドメインシフトにおいて大きな課題に直面します。
非線形アグリゲーションにハイパーネットワークを用いた、ハイパーネットワークベースのフェデレート・フュージョン(hFedF)と呼ばれるロバストなフレームワークを提案する。
本手法では,ドメインの一般化を効果的に管理するために,クライアント固有の埋め込みと勾配アライメント手法を用いる。
論文 参考訳(メタデータ) (2024-02-10T15:42:03Z) - FedDCSR: Federated Cross-domain Sequential Recommendation via
Disentangled Representation Learning [17.497009723665116]
本稿では,不整合表現学習を用いたクロスドメインシーケンシャルレコメンデーションフレームワークであるFedDCSRを提案する。
本稿では,SRD(Inter-Intra Domain Sequence Expression Disentanglement)と呼ばれるアプローチを導入し,ユーザシークエンス機能をドメイン共有およびドメイン排他的特徴に分解する。
さらに、ユーザシーケンス上でデータ拡張を行うことで、よりリッチなドメイン排他的特徴を学習するためのドメイン内コントラッシブインフォマックス(CIM)戦略を設計する。
論文 参考訳(メタデータ) (2023-09-15T14:23:20Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳(メタデータ) (2021-06-10T05:01:20Z) - Generalizable Representation Learning for Mixture Domain Face
Anti-Spoofing [53.82826073959756]
ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。
ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。
この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
論文 参考訳(メタデータ) (2021-05-06T06:04:59Z) - Instance Level Affinity-Based Transfer for Unsupervised Domain
Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。
まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。
ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文 参考訳(メタデータ) (2021-04-03T01:33:14Z) - Disentanglement-based Cross-Domain Feature Augmentation for Effective
Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。
ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。
ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
論文 参考訳(メタデータ) (2021-03-25T15:28:41Z) - Cross-Domain Grouping and Alignment for Domain Adaptive Semantic
Segmentation [74.3349233035632]
深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。
学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。
本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
論文 参考訳(メタデータ) (2020-12-15T11:36:21Z) - Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。
従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。
本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
論文 参考訳(メタデータ) (2020-02-12T09:45:39Z) - Improve Unsupervised Domain Adaptation with Mixup Training [18.329571222689562]
本稿では,ラベルの豊富な関連するソースドメインを用いて,注釈のないターゲットドメインの予測モデルを構築するという課題について検討する。
近年の研究では、ドメイン不変の特徴を学習する一般的な敵対的アプローチは、望ましいドメイン性能を達成するには不十分である。
対象データに対する一般化性能に直接対処するために、ミックスアップ定式化を用いて、ドメイン間のトレーニング制約を強制することを提案する。
論文 参考訳(メタデータ) (2020-01-03T01:21:27Z)
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。