論文の概要: CDC: Causal Domain Clustering for Multi-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2507.06877v1
• Date: Wed, 09 Jul 2025 14:15:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.615443
• Title: CDC: Causal Domain Clustering for Multi-Domain Recommendation
• Title（参考訳）: CDC: マルチドメイン勧告のための因果ドメインクラスタリング
• Authors: Huishi Luo, Yiqing Wu, Yiwen Chen, Fuzhen Zhuang, Deqing Wang,
• Abstract要約: マルチドメインレコメンデーションは、ドメイン全般の知識を活用して、複数のドメインにわたるレコメンデーションを改善する。 既存のドメイングループ化メソッドはビジネスロジックやデータ類似性に基づいており、最適なグループ化に必要な真の転送関係をキャプチャできないことが多い。 本稿では,効果的にドメインをクラスタ化するためのCausal Domain Clustering(CDC)を提案する。 CDCは、パブリックデータセットや工業環境で50以上のドメインのパフォーマンスを大幅に向上させ、オンラインeCPMの4.9%の増加を実現している。
• 参考スコア（独自算出の注目度）: 32.945861240561
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-domain recommendation leverages domain-general knowledge to improve recommendations across several domains. However, as platforms expand to dozens or hundreds of scenarios, training all domains in a unified model leads to performance degradation due to significant inter-domain differences. Existing domain grouping methods, based on business logic or data similarities, often fail to capture the true transfer relationships required for optimal grouping. To effectively cluster domains, we propose Causal Domain Clustering (CDC). CDC models domain transfer patterns within a large number of domains using two distinct effects: the Isolated Domain Affinity Matrix for modeling non-interactive domain transfers, and the Hybrid Domain Affinity Matrix for considering dynamic domain synergy or interference under joint training. To integrate these two transfer effects, we introduce causal discovery to calculate a cohesion-based coefficient that adaptively balances their contributions. A Co-Optimized Dynamic Clustering algorithm iteratively optimizes target domain clustering and source domain selection for training. CDC significantly enhances performance across over 50 domains on public datasets and in industrial settings, achieving a 4.9% increase in online eCPM. Code is available at https://github.com/Chrissie-Law/Causal-Domain-Clustering-for-Multi-Domain-Recommendation
• Abstract（参考訳）: マルチドメインレコメンデーションは、ドメイン全般の知識を活用して、複数のドメインにわたるレコメンデーションを改善する。 しかし、プラットフォームが数十から数百のシナリオに拡大するにつれて、統一されたモデルですべてのドメインをトレーニングすることは、ドメイン間の大きな違いによるパフォーマンス低下につながる。 既存のドメイングループ化メソッドはビジネスロジックやデータ類似性に基づいており、最適なグループ化に必要な真の転送関係をキャプチャできないことが多い。 ドメインを効果的にクラスタリングするために、我々はCausal Domain Clustering (CDC)を提案する。 CDCは、非相互作用ドメイン転送をモデリングするための分離ドメイン親和性マトリックス(Isolated Domain Affinity Matrix)と、関節トレーニング中の動的ドメインシナジーや干渉を考慮するためのハイブリッドドメイン親和性マトリックス(Hybrid Domain Affinity Matrix)という2つの異なる効果を用いて、多数のドメイン内のドメイン転送パターンをモデル化する。 これら2つの伝達効果を統合するために,因果発見を導入し,それらの寄与を適応的に均衡させる凝集係数を計算する。 協調最適化動的クラスタリングアルゴリズムは、トレーニングのためにターゲットドメインクラスタリングとソースドメインの選択を反復的に最適化する。 CDCは、パブリックデータセットや工業環境で50以上のドメインのパフォーマンスを大幅に向上させ、オンラインeCPMの4.9%の増加を実現している。 コードはhttps://github.com/Chrissie-Law/Causal-Domain-Clustering-for-Multi-Domain-Recommendationで公開されている。

関連論文リスト

• Measure Domain's Gap: A Similar Domain Selection Principle for Multi-Domain Recommendation [51.74051587372479]
  MDR(Multi-Domain Recommendation)は、異なるドメイン間での転送情報を効果的に活用することにより、望ましいレコメンデーションパフォーマンスを実現する。 本稿では,マルチドメインレコメンデーションのためのシンプルで動的な類似ドメイン選択原理(SDSP)を提案する。 SDSPは既存のMDRメソッドに組み込んだ軽量な手法であり、性能が向上し、過度な時間オーバーヘッドを発生させないことを強調する。
  論文  参考訳（メタデータ） (2025-05-26T17:07:31Z)
• DAOT: Domain-Agnostically Aligned Optimal Transport for Domain-Adaptive Crowd Counting [35.83485358725357]
  ドメイン適応は一般的に、異なるデータセット間のドメインギャップをブリッジするために、群衆カウントに使用される。 既存のドメイン適応手法は、同じデータセット内の差を見下ろしながら、データセット間の違いに焦点を当てる傾向がある。 ドメインに依存しない要素をドメイン間で整合させるDAOT(Domain-Agnostically Aligned Optimal Transport)戦略を提案する。
  論文  参考訳（メタデータ） (2023-08-10T02:59:40Z)
• A Collaborative Transfer Learning Framework for Cross-domain Recommendation [12.880177078884927]
  推薦システムには、ユーザの多様な関心やニーズを満たすための複数のビジネスドメインが存在する。 本稿では,これらの課題を克服するために,協調的クロスドメイン・トランスファー学習フレームワーク(CCTL)を提案する。 CCTLは、対称コンパニオンネットワークを用いて、ターゲットドメイン上のソースドメインの情報ゲインを評価する。
  論文  参考訳（メタデータ） (2023-06-26T09:43:58Z)
• Domain Consistency Regularization for Unsupervised Multi-source Domain Adaptive Classification [57.92800886719651]
  近年,深層学習に基づくマルチソース非教師付きドメイン適応(MUDA)が活発に研究されている。 MUDAのドメインシフトは、ソースドメインとターゲットドメインの間だけでなく、複数のソースドメインの間にも存在します。 本稿では、教師なしマルチソースドメイン適応分類において、ドメインの一貫性規則化を利用するエンドツーエンドのトレーニング可能なネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-16T07:29:27Z)
• Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain Adaptive Semantic Segmentation [102.42638795864178]
  セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。 対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。 その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。 モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
  論文  参考訳（メタデータ） (2020-12-15T13:21:54Z)
• 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)
• Domain2Vec: Domain Embedding for Unsupervised Domain Adaptation [56.94873619509414]
  従来の教師なしドメイン適応は、限られた数のドメイン間の知識伝達を研究する。 本稿では,特徴不整合とグラム行列の連成学習に基づいて,視覚領域のベクトル表現を提供する新しいDomain2Vecモデルを提案する。 我々の埋め込みは、異なるドメイン間の視覚的関係に関する直感と一致するドメイン類似性を予測できることを示した。
  論文  参考訳（メタデータ） (2020-07-17T22:05:09Z)
• MADAN: Multi-source Adversarial Domain Aggregation Network for Domain Adaptation [58.38749495295393]
  ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。 近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。 これらの課題に対処するための新しいMDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T21:22:00Z)

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。