論文の概要: Blending Sequential Embeddings, Graphs, and Engineered Features: 4th Place Solution in RecSys Challenge 2025
- arxiv url: http://arxiv.org/abs/2508.06970v1
- Date: Sat, 09 Aug 2025 12:35:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:28.633875
- Title: Blending Sequential Embeddings, Graphs, and Engineered Features: 4th Place Solution in RecSys Challenge 2025
- Title（参考訳）: Blending Sequential Embeddings, Graphs, and Engineered Features: The 4th Place Solution in RecSys Challenge 2025
- Authors: Sergei Makeev, Alexandr Andreev, Vladimir Baikalov, Vladislav Tytskiy, Aleksei Krasilnikov, Kirill Khrylchenko,
- Abstract要約: 本稿では,RecSys Challenge 2025に向けたチームによる4番目のソリューションについて述べる。
課題は、6つの下流タスクで効果的にユーザ埋め込みを生成することであった。
本ソリューションは,(1)ユーザ関心の時間的進化を捉えるシーケンシャルエンコーダ,(2)一般化を促進するグラフニューラルネットワーク,(3)高次特徴相互作用をモデル化するディープクロスネットワーク,(4)パフォーマンスクリティカルな特徴工学を統合する。
- 参考スコア（独自算出の注目度）: 37.69303106863453
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper describes the 4th-place solution by team ambitious for the RecSys Challenge 2025, organized by Synerise and ACM RecSys, which focused on universal behavioral modeling. The challenge objective was to generate user embeddings effective across six diverse downstream tasks. Our solution integrates (1) a sequential encoder to capture the temporal evolution of user interests, (2) a graph neural network to enhance generalization, (3) a deep cross network to model high-order feature interactions, and (4) performance-critical feature engineering.
- Abstract（参考訳）: 本稿では,Synerise と ACM RecSys が主催する RecSys Challenge 2025 に意欲的なチームによる 4 番目のソリューションについて述べる。
課題は、6つの下流タスクで効果的にユーザ埋め込みを生成することであった。
本ソリューションは,(1)ユーザ関心の時間的進化を捉えるシーケンシャルエンコーダ,(2)一般化を促進するグラフニューラルネットワーク,(3)高次特徴相互作用をモデル化するディープクロスネットワーク,(4)パフォーマンスクリティカルな特徴工学を統合する。
関連論文リスト
- Encode Me If You Can: Learning Universal User Representations via Event Sequence Autoencoding [0.7864304771129751]
ユーザ行動の本質的な側面を捉えた普遍的なユーザ表現の構築は、現代の機械学習システムにとって重要な課題である。
SyneriseによるRecSys Challenge 2025の目標は、過去のユーザの振る舞いのログからこのようなユニバーサルな振る舞いプロファイルを開発することだった。
本稿では,ユーザインタラクション履歴全体を1つの時系列シーケンスに変換し,GRUベースのオートエンコーダをトレーニングして,このシーケンスを固定サイズのベクトルから再構築する手法を提案する。
論文 参考訳（メタデータ） (2025-08-11T08:28:01Z) - AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させている
これらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
論文 参考訳（メタデータ） (2025-07-24T16:04:59Z) - Feature4X: Bridging Any Monocular Video to 4D Agentic AI with Versatile Gaussian Feature Fields [56.184278668305076]
2次元視覚基礎モデルから4次元領域へ機能を拡張するための普遍的なフレームワークであるFeature4Xを紹介する。
このフレームワークは、まず、ビデオ基礎モデルの機能をSplattingを使って明示的な4D機能フィールドに蒸留し、持ち上げる。
実験では、新しいビューセグメント、幾何学的および外観的シーンの編集、全時間ステップにわたる自由形式VQAについて紹介した。
論文 参考訳（メタデータ） (2025-03-26T17:56:16Z) - QuadrupedGPT: Towards a Versatile Quadruped Agent in Open-ended Worlds [51.05639500325598]
ペットに匹敵するアジリティで多様なコマンドに従うように設計されたQuadrupedGPTを紹介します。
エージェントは多種多様なタスクを処理し,複雑な指示を行う能力を示し,多種多様四重化エージェントの開発に向けた重要な一歩である。
論文 参考訳（メタデータ） (2024-06-24T12:14:24Z) - Doubly-Dynamic ISAC Precoding for Vehicular Networks: A Constrained Deep Reinforcement Learning (CDRL) Approach [11.770137653756697]
車両ネットワークを支えるためにはISAC技術が不可欠である。
このシナリオの通信チャネルは時間変化を示し、潜在的なターゲットは急速に移動し、二重ダイナミクスをもたらす。
制約付き強化学習を用いてISACプリコーダの動的更新を容易にすることを提案する。
論文 参考訳（メタデータ） (2024-05-23T09:19:14Z) - Joint User Pairing and Beamforming Design of Multi-STAR-RISs-Aided NOMA
in the Indoor Environment via Multi-Agent Reinforcement Learning [15.95700167294255]
NOMAでは複数のユーザが同じリソースを共有できるため、システムのスペクトル効率が向上する。
STAR-RISは、カバレッジの向上、スペクトル効率の向上、通信信頼性の向上を実現している。
しかし、STAR-RISは反射と透過に対応する振幅と位相シフトを同時に最適化する必要がある。
論文 参考訳（メタデータ） (2023-11-15T05:18:36Z) - GADY: Unsupervised Anomaly Detection on Dynamic Graphs [18.1896489628884]
本稿では,従来の離散的手法の限界を突破する細粒度情報を取得するための連続的動的グラフモデルを提案する。
第2の課題として、負の相互作用を生成するためにジェネレーティブ・アドバイサル・ネットワーク(Generative Adversarial Networks)を開拓した。
提案したGADYは,3つの実世界のデータセットにおいて,従来の最先端手法よりも大幅に優れていた。
論文 参考訳（メタデータ） (2023-10-25T05:27:45Z)
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。