論文の概要: INFNet: A Task-aware Information Flow Network for Large-Scale Recommendation Systems

• arxiv url: http://arxiv.org/abs/2508.11565v1
• Date: Fri, 15 Aug 2025 16:18:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:24.141004
• Title: INFNet: A Task-aware Information Flow Network for Large-Scale Recommendation Systems
• Title（参考訳）: INFNet:大規模推薦システムのためのタスク対応情報フローネットワーク
• Authors: Kaiyuan Li, Dongdong Mao, Yongxiang Tang, Yanhua Cheng, Yanxiang Zeng, Chao Wang, Xialong Liu, Peng Jiang,
• Abstract要約: Information Flow Network (INFNet)は、大規模レコメンデーションシナリオ用に設計されたタスク対応アーキテクチャである。 INFNetは、機能を3つのトークンタイプ、分類トークン、シーケンストークン、タスクトークンに分類し、新しいデュアルフロー設計を導入している。 INFNetは商業オンライン広告システムで成功し、収益(REV)は1.587%、クリックスルーレート(CTR)は+1.155%だった。
• 参考スコア（独自算出の注目度）: 8.283354901677692
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature interaction has long been a cornerstone of ranking models in large-scale recommender systems due to its proven effectiveness in capturing complex dependencies among features. However, existing feature interaction strategies face two critical challenges in industrial applications: (1) The vast number of categorical and sequential features makes exhaustive interaction computationally prohibitive, often resulting in optimization difficulties. (2) Real-world recommender systems typically involve multiple prediction objectives, yet most current approaches apply feature interaction modules prior to the multi-task learning layers. This late-fusion design overlooks task-specific feature dependencies and inherently limits the capacity of multi-task modeling. To address these limitations, we propose the Information Flow Network (INFNet), a task-aware architecture designed for large-scale recommendation scenarios. INFNet distinguishes features into three token types, categorical tokens, sequence tokens, and task tokens, and introduces a novel dual-flow design comprising heterogeneous and homogeneous alternating information blocks. For heterogeneous information flow, we employ a cross-attention mechanism with proxy that facilitates efficient cross-modal token interaction with balanced computational cost. For homogeneous flow, we design type-specific Proxy Gated Units (PGUs) to enable fine-grained intra-type feature processing. Extensive experiments on multiple offline benchmarks confirm that INFNet achieves state-of-the-art performance. Moreover, INFNet has been successfully deployed in a commercial online advertising system, yielding significant gains of +1.587% in Revenue (REV) and +1.155% in Click-Through Rate (CTR).
• Abstract（参考訳）: 機能間の相互作用は、機能間の複雑な依存関係をキャプチャする効果が証明されたため、大規模なレコメンデータシステムにおいて、長い間、ランキングモデルの基盤となっている。 しかし, 既存の特徴相互作用戦略は, 産業アプリケーションにおいて2つの重要な課題に直面している。(1) 膨大な数のカテゴリー的および逐次的特徴が, 徹底的な相互作用を計算的に禁止し, しばしば最適化の困難をもたらす。 2) 実世界のレコメンデータシステムは一般的に複数の予測対象を含むが,近年のほとんどのアプローチでは,マルチタスク学習層に先立って機能相互作用モジュールを適用している。 このレイトフュージョン設計はタスク固有の機能依存関係を見落とし、本質的にマルチタスクモデリングの能力を制限する。 これらの制約に対処するために,大規模レコメンデーションシナリオ用に設計されたタスク対応アーキテクチャである情報フローネットワーク(INFNet)を提案する。 INFNetは、特徴を分類トークン、シーケンストークン、タスクトークンという3つのトークンタイプに分類し、異種および同種交互情報ブロックからなる新しい二重フロー設計を導入する。 不均質な情報フローにはプロキシを用いたクロスアテンション機構を使用し、バランスの取れた計算コストと効率的なクロスモーダルトークンの相互作用を容易にする。 均質な流れに対して,我々は細粒度なイントラタイプ特徴処理を実現するために,PGU(Proxy Gated Units)を設計する。 複数のオフラインベンチマークに関する大規模な実験は、INFNetが最先端のパフォーマンスを達成することを確認した。 さらに、INFNetは商業的なオンライン広告システムに成功し、収益(REV)は1.587%、クリックスルーレート(CTR)は+1.155%の大幅な伸びを示している。

関連論文リスト

• Token Communication-Driven Multimodal Large Models in Resource-Constrained Multiuser Networks [7.137830911253685]
  マルチモーダルの大型モデルは インテリジェントなアプリケーションを ワイヤレスエッジに展開する上で これらの制約は、帯域幅、計算能力、および厳格なレイテンシ要件として表される。 本稿では,ユーザデバイスとエッジインフラストラクチャ間の分散的な拡散を促進するトークン通信パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T14:17:05Z)
• Quadratic Interest Network for Multimodal Click-Through Rate Prediction [12.989347150912685]
  産業レコメンデーションシステムにおいて,マルチモーダルクリックスルー率(CTR)予測は重要な手法である。 マルチモーダルCTR予測のためのQINと呼ばれるタスク2の新しいモデルを提案する。
  論文  参考訳（メタデータ） (2025-04-24T16:08:52Z)
• DeepInteraction++: Multi-Modality Interaction for Autonomous Driving [80.8837864849534]
  我々は,モダリティごとの個別表現を学習し,維持することのできる,新しいモダリティインタラクション戦略を導入する。 DeepInteraction++はマルチモーダルなインタラクション・フレームワークであり、マルチモーダルな表現型インタラクション・エンコーダとマルチモーダルな予測型インタラクション・デコーダを特徴とする。 実験では,3次元物体検出とエンドツーエンドの自律走行の両方において,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-09T14:04:21Z)
• Bilateral Network with Residual U-blocks and Dual-Guided Attention for Real-time Semantic Segmentation [18.393208069320362]
  注意計算によって導かれる2分岐アーキテクチャのための新しい融合機構を設計する。 正確には、DGA(Dual-Guided Attention)モジュールを使用して、いくつかのマルチスケール変換を置き換えることを提案した。 Cityscapes と CamVid のデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-10-31T09:20:59Z)
• Feature Decoupling-Recycling Network for Fast Interactive Segmentation [79.22497777645806]
  近年のインタラクティブセグメンテーション手法では,入力としてソースイメージ,ユーザガイダンス,従来予測されていたマスクを反復的に取り込んでいる。 本稿では,本質的な相違点に基づいてモデリングコンポーネントを分離するFDRN(Feature Decoupling-Recycling Network)を提案する。
  論文  参考訳（メタデータ） (2023-08-07T12:26:34Z)
• Non-Separable Multi-Dimensional Network Flows for Visual Computing [62.50191141358778]
  本研究では,非分離型多次元ネットワークフローに対する新しい定式化法を提案する。 フローは次元ごとに定義されるので、最大化フローは自動的に最適な特徴次元を選択する。 概念実証として,マルチオブジェクト追跡問題にフォーマリズムを適用し,ノイズに対するロバスト性の観点からMOT16ベンチマークのスカラー定式化よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-15T13:21:44Z)

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。