Fugu-MT 論文翻訳(概要): Multi-Item-Query Attention for Stable Sequential Recommendation

論文の概要: Multi-Item-Query Attention for Stable Sequential Recommendation

arxiv url: http://arxiv.org/abs/2509.24424v1
Date: Mon, 29 Sep 2025 08:11:27 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-30 22:32:19.848168
Title: Multi-Item-Query Attention for Stable Sequential Recommendation
Title（参考訳）: 安定なシーケンスレコメンデーションのための多項目クエリアテンション
Authors: Mingshi Xu, Haoren Zhu, Wilfred Siu Hung Ng,
Abstract要約: モデルの安定性と精度を高めるために,Multi-Item-Query attention mechanism (MIQ-Attn)を提案する。 MIQ-Attnは、ユーザインタラクションから複数の多様なクエリベクトルを構築し、ノイズを効果的に軽減し、一貫性を向上させる。
参考スコア（独自算出の注目度）: 5.2511077094196175
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The inherent instability and noise in user interaction data challenge sequential recommendation systems. Prevailing masked attention models, relying on a single query from the most recent item, are sensitive to this noise, reducing prediction reliability. We propose the Multi-Item-Query attention mechanism (MIQ-Attn) to enhance model stability and accuracy. MIQ-Attn constructs multiple diverse query vectors from user interactions, effectively mitigating noise and improving consistency. It is designed for easy adoption as a drop-in replacement for existing single-query attention. Experiments show MIQ-Attn significantly improves performance on benchmark datasets.
Abstract（参考訳）: ユーザインタラクションデータの固有の不安定性とノイズは、シーケンシャルなレコメンデーションシステムに挑戦する。最新の項目からの1つのクエリに依存する一般的なマスキングアテンションモデルは、このノイズに敏感であり、予測信頼性を低下させる。モデルの安定性と精度を高めるために,Multi-Item-Query attention mechanism (MIQ-Attn)を提案する。 MIQ-Attnは、ユーザインタラクションから複数の多様なクエリベクトルを構築し、ノイズを効果的に軽減し、一貫性を向上させる。既存のシングルクエリアテンションのドロップイン代替として、簡単に採用できるように設計されている。実験の結果、MIQ-Attnはベンチマークデータセットのパフォーマンスを大幅に改善した。

関連論文リスト

Automatically Identify and Rectify: Robust Deep Contrastive Multi-view Clustering in Noisy Scenarios [76.02688769599686]
本稿では,AIRMVCと呼ばれるノイズデータの自動識別と修正のための新しいマルチビュークラスタリングフレームワークを提案する。具体的には,GMMを用いて雑音識別を異常識別問題として再構成する。次に,同定結果に基づいて,ノイズデータの悪影響を軽減するためのハイブリッド補正戦略を設計する。
論文参考訳（メタデータ） (2025-05-27T16:16:54Z)
M2Rec: Multi-scale Mamba for Efficient Sequential Recommendation [35.508076394809784]
Modelは、Fourier分析、大規模言語モデル、適応ゲーティングとマルチスケールのMambaを統合した、新しいシーケンシャルなレコメンデーションフレームワークである。実験では、モデルは最先端のパフォーマンスを実現し、既存のMambaベースのモデルよりもHit Rate@10を3.2%改善した。
論文参考訳（メタデータ） (2025-05-07T14:14:29Z)
BBQRec: Behavior-Bind Quantization for Multi-Modal Sequential Recommendation [15.818669767036592]
本稿では,2列列の量子化とセマンティックス・アウェア・シーケンス・モデリングを備えたBBQRec(Behavior-Bind Multi-modal Quantization for Sequential Recommendation)を提案する。 BBQRecは、コントラストのあるコードブック学習を通じて、ノイズの多いモダリティ特有の特徴からモダリティに依存しない行動パターンを分離する。我々は、量子化された意味関係を用いて自己注意スコアを動的に調整する離散化類似度再重み付け機構を設計する。
論文参考訳（メタデータ） (2025-04-09T07:19:48Z)
TQD-Track: Temporal Query Denoising for 3D Multi-Object Tracking [13.004539088540188]
既存のアプローチは、トラッキング・バイ・アテンション・パラダイムにクエリ・デノイングを統合している。提案するTQD-Trackは,MOTに適したTQD( Temporal Query Denoising)を提案する。提案したTQDを異なる追跡パラダイムに対して解析し,そのパラダイムを明示的な学習データアソシエーションモジュールを用いて探索する。
論文参考訳（メタデータ） (2025-04-04T08:18:48Z)
Long-Sequence Recommendation Models Need Decoupled Embeddings [49.410906935283585]
我々は、既存の長期推薦モデルにおいて無視された欠陥を識別し、特徴付ける。埋め込みの単一のセットは、注意と表現の両方を学ぶのに苦労し、これら2つのプロセス間の干渉につながります。本稿では,2つの異なる埋め込みテーブルを別々に学習し,注意と表現を完全に分離する,DARE(Decoupled Attention and Representation Embeddings)モデルを提案する。
論文参考訳（メタデータ） (2024-10-03T15:45:15Z)
Sequential Recommendation via Adaptive Robust Attention with Multi-dimensional Embeddings [7.207685588038045]
逐次レコメンデーションモデルは自己認識機構を用いて最先端のパフォーマンスを達成した。アイテムIDと位置埋め込みのみの使用を超えて移動すると、次の項目を予測するときにかなりの精度が向上する。モデルの頑健さと一般化を改善するため,レイヤワイドノイズインジェクション(LNI)正則化を用いたミックスアテンション機構を導入する。
論文参考訳（メタデータ） (2024-09-08T08:27:22Z)
Semantic Codebook Learning for Dynamic Recommendation Models [55.98259490159084]
動的シーケンシャルレコメンデーション(DSR)は、ユーザの振る舞いに基づいてモデルパラメータを生成し、シーケンシャルレコメンデーションのパーソナライズを改善する。巨大なパラメータ探索空間と疎結合でノイズの多いユーザ-イテム相互作用の課題に直面するため、生成されたモデルパラメータの適用性が低下する。 Semantic Codebook Learning for Dynamic Recommendation Models (SOLID)フレームワークは、これらの課題に効果的に取り組むことで、DSRの大幅な進歩を示す。
論文参考訳（メタデータ） (2024-07-31T19:25:25Z)
Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
論文参考訳（メタデータ） (2021-08-14T07:15:25Z)
Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。