論文の概要: MEGG: Replay via Maximally Extreme GGscore in Incremental Learning for Neural Recommendation Models

• arxiv url: http://arxiv.org/abs/2509.07319v1
• Date: Tue, 09 Sep 2025 01:35:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.1615
• Title: MEGG: Replay via Maximally Extreme GGscore in Incremental Learning for Neural Recommendation Models
• Title（参考訳）: MEGG:ニューラルレコメンデーションモデルのインクリメンタルラーニングにおける最大GGスコアによるリプレイ
• Authors: Yunxiao Shi, Shuo Yang, Haimin Zhang, Li Wang, Yongze Wang, Qiang Wu, Min Xu,
• Abstract要約: 本稿では, MEGG, Replay Samples with Maximally Extreme GGscoreを提案する。 MeGGは、サンプルの影響を定量化する新しい計量であるGGscoreを導入し、非常に影響力のあるサンプルを選択的にリプレイすることで、破滅的な忘れを和らげる。 3つのニューラルモデルと4つのベンチマークデータセットの実験は、高いスケーラビリティ、効率、堅牢性を備えた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いる。
• 参考スコア（独自算出の注目度）: 24.235276520455596
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Neural Collaborative Filtering models are widely used in recommender systems but are typically trained under static settings, assuming fixed data distributions. This limits their applicability in dynamic environments where user preferences evolve. Incremental learning offers a promising solution, yet conventional methods from computer vision or NLP face challenges in recommendation tasks due to data sparsity and distinct task paradigms. Existing approaches for neural recommenders remain limited and often lack generalizability. To address this, we propose MEGG, Replay Samples with Maximally Extreme GGscore, an experience replay based incremental learning framework. MEGG introduces GGscore, a novel metric that quantifies sample influence, enabling the selective replay of highly influential samples to mitigate catastrophic forgetting. Being model-agnostic, MEGG integrates seamlessly across architectures and frameworks. Experiments on three neural models and four benchmark datasets show superior performance over state-of-the-art baselines, with strong scalability, efficiency, and robustness. Implementation will be released publicly upon acceptance.
• Abstract（参考訳）: ニューラルコラボレーティブ・フィルタリングモデルはリコメンデータシステムで広く使われているが、固定データ分布を仮定して静的な設定で訓練されるのが一般的である。 これにより、ユーザの好みが進化する動的な環境での適用性が制限される。 インクリメンタルラーニングは有望なソリューションを提供するが、コンピュータビジョンやNLPといった従来の手法では、データの分散性やタスクパラダイムの違いにより、推奨タスクの課題に直面している。 既存のニューラルレコメンデータのアプローチは限定的であり、一般化性に欠けることが多い。 そこで我々はMEGG, Replay Samples with Maximally Extreme GGscoreを提案する。 MEGGは、サンプルの影響を定量化する新しい計量であるGGscoreを導入し、非常に影響力のあるサンプルを選択的にリプレイすることで、破滅的な忘れを和らげる。 MEGGはモデルに依存しないため、アーキテクチャやフレームワーク間でシームレスに統合される。 3つのニューラルモデルと4つのベンチマークデータセットの実験は、高いスケーラビリティ、効率、堅牢性を備えた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いる。 実装は受理後公開されます。

関連論文リスト

• DUSE: A Data Expansion Framework for Low-resource Automatic Modulation Recognition based on Active Learning [17.651073556023167]
  動的不確実性駆動型サンプル拡張(DUSE)と呼ばれるデータ拡張フレームワークを導入する。 DUSEは不確実性スコアリング機能を使用して、関連するAMRデータセットから有用なサンプルをフィルタリングする。 実験によると、DUSEはクラスバランスとクラスバランスの設定の両方で8コアセット選択ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-07-16T08:09:41Z)
• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [78.18946529195254]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• Fake it till You Make it: Reward Modeling as Discriminative Prediction [49.31309674007382]
  GAN-RMは、手動の嗜好アノテーションと明示的な品質次元工学を排除した効率的な報酬モデリングフレームワークである。 提案手法は,少数の対象サンプルを識別し,報酬モデルを訓練する。 実験では、GAN-RMが複数の主要なアプリケーションにまたがって有効であることを実証した。
  論文  参考訳（メタデータ） (2025-06-16T17:59:40Z)
• Model-agnostic Mitigation Strategies of Data Imbalance for Regression [0.0]
  データ不均衡は、回帰タスクにおいて広範囲にわたる課題として持続し、モデルパフォーマンスのバイアスを導入し、予測信頼性を損なう。 既存のサンプリング手法を構築・改善する高度な緩和手法を提案する。 モデルのアンサンブル(不均衡緩和で訓練されたモデルと、非バランスで訓練されたモデル)の構築は、これらの負の効果を著しく減少させることを実証する。
  論文  参考訳（メタデータ） (2025-06-02T09:46:08Z)
• Pre-training for Recommendation Unlearning [14.514770044236375]
  UnlearnRecはモデルに依存しない事前学習パラダイムであり、効率的な未学習操作のためのシステムを準備している。 本手法は,再学習手法に比べて10倍以上の高速化を実現した。
  論文  参考訳（メタデータ） (2025-05-28T17:57:11Z)
• Continuous Visual Autoregressive Generation via Score Maximization [69.67438563485887]
  本稿では,ベクトル量子化なしで直接視覚的自己回帰生成を可能にする連続VARフレームワークを提案する。 このフレームワークの中で必要なのは、厳密な適切なスコアを選択し、最適化のトレーニング目標として設定することだけです。
  論文  参考訳（メタデータ） (2025-05-12T17:58:14Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
  変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。 本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
  論文  参考訳（メタデータ） (2021-01-06T17:36:26Z)
• Adversarial Filters of Dataset Biases [96.090959788952]
  大規模なニューラルモデルでは、言語とビジョンベンチマークで人間レベルのパフォーマンスが実証されている。 それらの性能は、敵対的またはアウト・オブ・ディストリビューションのサンプルで著しく低下する。 このようなデータセットバイアスを逆フィルタするAFLiteを提案する。
  論文  参考訳（メタデータ） (2020-02-10T21:59:21Z)

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。