論文の概要: FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2507.04651v1
• Date: Mon, 07 Jul 2025 04:09:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.273661
• Title: FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation
• Title（参考訳）: FindRec:マルチモーダルシーケンスレコメンデーションのためのスタインガイドエントロピーフロー
• Authors: Maolin Wang, Yutian Xiao, Binhao Wang, Sheng Zhang, Shanshan Ye, Wanyu Wang, Hongzhi Yin, Ruocheng Guo, Zenglin Xu,
• Abstract要約: textbfFindRec (textbfFlexible unified textbfinformation textbfdisentanglement for multi-modal sequence textbfRecommendation)を提案する。 Stein kernel-based Integrated Information Coordination Module (IICM) は理論上、マルチモーダル特徴とIDストリーム間の分散一貫性を保証する。 マルチモーダル特徴を文脈的関連性に基づいて適応的にフィルタリング・結合するクロスモーダル・エキスパート・ルーティング機構。
• 参考スコア（独自算出の注目度）: 50.438552588818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern recommendation systems face significant challenges in processing multimodal sequential data, particularly in temporal dynamics modeling and information flow coordination. Traditional approaches struggle with distribution discrepancies between heterogeneous features and noise interference in multimodal signals. We propose \textbf{FindRec}~ (\textbf{F}lexible unified \textbf{in}formation \textbf{d}isentanglement for multi-modal sequential \textbf{Rec}ommendation), introducing a novel "information flow-control-output" paradigm. The framework features two key innovations: (1) A Stein kernel-based Integrated Information Coordination Module (IICM) that theoretically guarantees distribution consistency between multimodal features and ID streams, and (2) A cross-modal expert routing mechanism that adaptively filters and combines multimodal features based on their contextual relevance. Our approach leverages multi-head subspace decomposition for routing stability and RBF-Stein gradient for unbiased distribution alignment, enhanced by linear-complexity Mamba layers for efficient temporal modeling. Extensive experiments on three real-world datasets demonstrate FindRec's superior performance over state-of-the-art baselines, particularly in handling long sequences and noisy multimodal inputs. Our framework achieves both improved recommendation accuracy and enhanced model interpretability through its modular design. The implementation code is available anonymously online for easy reproducibility~\footnote{https://github.com/Applied-Machine-Learning-Lab/FindRec}.
• Abstract（参考訳）: 現代のレコメンデーションシステムは、特に時間力学モデリングと情報フロー調整において、マルチモーダルシーケンシャルデータの処理において重大な課題に直面している。 従来のアプローチは、異種特徴とマルチモーダル信号におけるノイズ干渉の間の分布の相違に苦慮している。 本稿では,複数モーダルなシーケンシャルな \textbf{Rec}ommendation に対して,新しい「情報フロー制御出力」パラダイムを導入する。 本フレームワークは,(1)マルチモーダル特徴とIDストリーム間の分散一貫性を理論的に保証するスタインカーネルベースの統合情報コーディネートモジュール(IICM),(2)マルチモーダル特徴を適応的にフィルタリング・結合するクロスモーダル・エキスパート・ルーティング機構である。 提案手法は,経路安定のためのマルチヘッド部分空間分解と非バイアス分布アライメントのためのRBF-ステイン勾配を利用する。 3つの実世界のデータセットに対する大規模な実験は、FindRecが最先端のベースラインよりも優れたパフォーマンスを示しており、特に長いシーケンスやノイズの多いマルチモーダル入力を扱う。 本フレームワークは,モジュール設計による推薦精度の向上とモデル解釈可能性の向上を実現している。 実装コードは、簡単な再現性~\footnote{https://github.com/Applied-Machine-Learning-Lab/FindRec}で匿名で入手できる。

関連論文リスト

• Transferable Sequential Recommendation with Vanilla Cross-Entropy Loss [2.0048375809706274]
  Sequential Recommendation (SR)システムでは、インタラクション履歴を分析してユーザの好みをモデル化する。 現在の手法は、新しいドメインに適応する際にかなりの微調整コストを発生させる。 MMM4Recは、効率的な伝達学習のための専用代数的制約機構を組み込んだ、新しいマルチモーダルSRフレームワークである。
  論文  参考訳（メタデータ） (2025-06-03T14:18:19Z)
• SpecRouter: Adaptive Routing for Multi-Level Speculative Decoding in Large Language Models [21.933379266533098]
  大規模言語モデル(LLM)は、推論品質と計算コストの間に重要なトレードオフをもたらす。 既存のサービス戦略では、固定されたモデルスケールや静的な2段階の投機的デコードを用いることが多い。 本稿では,LLM推論を適応的ルーティング問題として再定義する新しいフレームワークであるsystemnameを紹介する。
  論文  参考訳（メタデータ） (2025-05-12T15:46:28Z)
• M2Rec: Multi-scale Mamba for Efficient Sequential Recommendation [35.508076394809784]
  Modelは、Fourier分析、大規模言語モデル、適応ゲーティングとマルチスケールのMambaを統合した、新しいシーケンシャルなレコメンデーションフレームワークである。 実験では、モデルは最先端のパフォーマンスを実現し、既存のMambaベースのモデルよりもHit Rate@10を3.2%改善した。
  論文  参考訳（メタデータ） (2025-05-07T14:14:29Z)
• Continual Multimodal Contrastive Learning [70.60542106731813]
  マルチモーダル・コントラッシブ・ラーニング(MCL)は、異なるモーダルを整列させ、関節空間で多モーダル表現を生成する。 マルチモーダルデータは単一のプロセスで収集されることはめったになく、スクラッチからのトレーニングは計算コストがかかる。 本稿では, 安定性と塑性の2つの原理によりCMCLを定式化する。 理論的には、二辺から部分空間への勾配の更新を計画する、新しい最適化に基づく手法を導出する。
  論文  参考訳（メタデータ） (2025-03-19T07:57:08Z)
• SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
  時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。 いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。 本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
  論文  参考訳（メタデータ） (2024-04-22T14:06:35Z)
• Unified Multi-modal Unsupervised Representation Learning for Skeleton-based Action Understanding [62.70450216120704]
  教師なしの事前訓練は骨格に基づく行動理解において大きな成功を収めた。 我々はUmURLと呼ばれる統一マルチモーダル非教師なし表現学習フレームワークを提案する。 UmURLは効率的な早期融合戦略を利用して、マルチモーダル機能を単一ストリームで共同でエンコードする。
  論文  参考訳（メタデータ） (2023-11-06T13:56:57Z)
• Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal Sentiment Analysis [96.46952672172021]
  Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。 モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
  論文  参考訳（メタデータ） (2021-07-28T23:33:42Z)

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。