論文の概要: MUFFIN: Mixture of User-Adaptive Frequency Filtering for Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2508.13670v1
- Date: Tue, 19 Aug 2025 09:16:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-20 15:36:31.873651
- Title: MUFFIN: Mixture of User-Adaptive Frequency Filtering for Sequential Recommendation
- Title（参考訳）: MUFFIN:シークエンシャルレコメンデーションのためのユーザ適応周波数フィルタの混合
- Authors: Ilwoong Baek, Mincheol Yoon, Seongmin Park, Jongwuk Lee,
- Abstract要約: シーケンシャルレコメンデーションは、シーケンシャルな振る舞いをモデル化することで、ユーザのその後のインタラクションを予測することを目的としている。
本稿では,2つの相補的モジュールを経由した新しい周波数領域モデルを提案する。
実験の結果、MUFFINは5つのベンチマークデータセットで最先端の周波数領域SRモデルより一貫して優れていることが示された。
- 参考スコア（独自算出の注目度）: 9.906329579196372
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Sequential recommendation (SR) aims to predict users' subsequent interactions by modeling their sequential behaviors. Recent studies have explored frequency domain analysis, which effectively models periodic patterns in user sequences. However, existing frequency-domain SR models still face two major drawbacks: (i) limited frequency band coverage, often missing critical behavioral patterns in a specific frequency range, and (ii) lack of personalized frequency filtering, as they apply an identical filter for all users regardless of their distinct frequency characteristics. To address these challenges, we propose a novel frequency-domain model, Mixture of User-adaptive Frequency FIlteriNg (MUFFIN), operating through two complementary modules. (i) The global filtering module (GFM) handles the entire frequency spectrum to capture comprehensive behavioral patterns. (ii) The local filtering module (LFM) selectively emphasizes important frequency bands without excluding information from other ranges. (iii) In both modules, the user-adaptive filter (UAF) is adopted to generate user-specific frequency filters tailored to individual unique characteristics. Finally, by aggregating both modules, MUFFIN captures diverse user behavioral patterns across the full frequency spectrum. Extensive experiments show that MUFFIN consistently outperforms state-of-the-art frequency-domain SR models over five benchmark datasets. The source code is available at https://github.com/ilwoong100/MUFFIN.
- Abstract（参考訳）: シーケンシャルレコメンデーション(SR)は、シーケンシャルな振る舞いをモデル化することで、ユーザのその後のインタラクションを予測することを目的としている。
近年、周波数領域解析の研究が進められており、ユーザシーケンスの周期パターンを効果的にモデル化している。
しかし、既存の周波数領域SRモデルは、以下の2つの大きな欠点に直面している。
(i)周波数帯域の範囲が限られており、特定の周波数範囲における重要な行動パターンが欠落することも多い。
(II) パーソナライズされた周波数フィルタの欠如は、異なる周波数特性にかかわらず、全てのユーザに対して同一のフィルタを適用するためである。
これらの課題に対処するため、我々は2つの相補的なモジュールを通して動作する新しい周波数領域モデル、Mixture of User-Adaptive Frequency FIlteriNg (MUFFIN)を提案する。
(i)グローバルフィルタリングモジュール(GFM)は、周波数スペクトル全体を処理し、包括的な行動パターンをキャプチャする。
(II)ローカルフィルタリングモジュール(LFM)は、他の範囲の情報を排除することなく、重要な周波数帯域を選択的に強調する。
三 両方のモジュールにおいて、ユーザ適応フィルタ(UAF)を用いて、個人固有の特性に合わせて、ユーザ固有の周波数フィルタを生成する。
最後に、両方のモジュールを集約することで、MUFFINは全周波数スペクトルにわたる多様なユーザの行動パターンをキャプチャする。
広範囲な実験により、MUFFINは5つのベンチマークデータセットで最先端の周波数領域SRモデルより一貫して優れていることが示されている。
ソースコードはhttps://github.com/ilwoong100/MUFFINで入手できる。
関連論文リスト
- GSPRec: Temporal-Aware Graph Spectral Filtering for Recommendation [18.379840329713403]
本稿では,逐次的インフォームドグラフ構築を通じて時間遷移を統合するグラフスペクトルモデルGSPRecを紹介する。
GSPRecはマルチホップ拡散によってアイテム遷移を符号化し、スペクトル処理に対称ラプラシアンを使用できる。
ユーザの嗜好を捉えるために,ガウス帯域通過フィルタを用いて中頻度,ユーザレベルのパターンを抽出し,低域通過フィルタによりグローバルなトレンドを維持するという,二重フィルタ機構を設計する。
論文 参考訳（メタデータ） (2025-05-15T15:49:56Z) - FilterTS: Comprehensive Frequency Filtering for Multivariate Time Series Forecasting [13.7064358833964]
FilterTSは、周波数領域に基づいた特殊なフィルタリング技術を利用する新しい予測モデルである。
FilterTSは予測精度と計算効率の点で既存の手法よりも優れている。
論文 参考訳（メタデータ） (2025-05-07T06:19:00Z) - Understanding Dataset Distillation via Spectral Filtering [69.07076441512612]
多様なDD目標を統一するスペクトルフィルタリングフレームワークであるUniDDを紹介する。
UniDDは、DDの本質が基本的に周波数固有の特徴に合致していることを明らかにする。
この制限に対処するため,低周波情報と高周波情報の両方をカバーするためにフィルタパラメータを徐々に調整するCFM(Curriculum Frequency Matching)を提案する。
論文 参考訳（メタデータ） (2025-03-03T06:22:34Z) - FreqMoE: Enhancing Time Series Forecasting through Frequency Decomposition Mixture of Experts [14.01018670507771]
本稿では,時系列データを周波数帯域に分解する周波数分解混合(FreqMoE)モデルを提案する。
ゲーティング機構は、周波数特性に基づいて専門家の各出力の重要度を調整する。
FreqMoEは最先端のモデルよりも優れています。
論文 参考訳（メタデータ） (2025-01-25T08:25:52Z) - Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。
DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。
フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
論文 参考訳（メタデータ） (2024-11-18T04:57:05Z) - FilterNet: Harnessing Frequency Filters for Time Series Forecasting [34.83702192033196]
FilterNetは、時系列信号の特定の成分を選択的に通過または減衰させることにより、重要な情報的時間パターンを抽出するために、我々の提案した学習可能な周波数フィルタ上に構築されている。
2つのフィルタを備えることで、FilterNetは、時系列文学で広く採用されている線形およびアテンションマッピングを概ねサロゲートすることができる。
論文 参考訳（メタデータ） (2024-11-03T16:20:41Z) - Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。
我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-03-27T14:25:52Z) - FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。
3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
論文 参考訳（メタデータ） (2022-03-24T07:26:29Z) - Deep Frequency Filtering for Domain Generalization [55.66498461438285]
Deep Neural Networks(DNN)は、学習プロセスにおいて、いくつかの周波数成分を優先する。
本稿では、ドメイン一般化可能な特徴を学習するためのDeep Frequency Filtering (DFF)を提案する。
提案したDFFをベースラインに適用すると,ドメインの一般化タスクにおける最先端の手法よりも優れることを示す。
論文 参考訳（メタデータ） (2022-03-23T05:19:06Z)
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。