論文の概要: Causality Enhancement for Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2510.14641v1
• Date: Thu, 16 Oct 2025 12:54:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.860765
• Title: Causality Enhancement for Cross-Domain Recommendation
• Title（参考訳）: クロスドメイン勧告の因果性向上
• Authors: Zhibo Wu, Yunfan Wu, Lin Jiang, Ping Yang, Yao Hu,
• Abstract要約: ドメイン間のレコメンデーションはレコメンデーションシステムにおいて重要な要素となる。 本稿ではCE-CDRという因果拡張フレームワークを提案する。 理論的にバイアスのない部分的ラベル因果損失を導出し、バイアス付き因果認識データセットを超えて一般化する。
• 参考スコア（独自算出の注目度）: 12.30363925420891
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain recommendation forms a crucial component in recommendation systems. It leverages auxiliary information through source domain tasks or features to enhance target domain recommendations. However, incorporating inconsistent source domain tasks may result in insufficient cross-domain modeling or negative transfer. While incorporating source domain features without considering the underlying causal relationships may limit their contribution to final predictions. Thus, a natural idea is to directly train a cross-domain representation on a causality-labeled dataset from the source to target domain. Yet this direction has been rarely explored, as identifying unbiased real causal labels is highly challenging in real-world scenarios. In this work, we attempt to take a first step in this direction by proposing a causality-enhanced framework, named CE-CDR. Specifically, we first reformulate the cross-domain recommendation as a causal graph for principled guidance. We then construct a causality-aware dataset heuristically. Subsequently, we derive a theoretically unbiased Partial Label Causal Loss to generalize beyond the biased causality-aware dataset to unseen cross-domain patterns, yielding an enriched cross-domain representation, which is then fed into the target model to enhance target-domain recommendations. Theoretical and empirical analyses, as well as extensive experiments, demonstrate the rationality and effectiveness of CE-CDR and its general applicability as a model-agnostic plugin. Moreover, it has been deployed in production since April 2025, showing its practical value in real-world applications.
• Abstract（参考訳）: ドメイン間のレコメンデーションはレコメンデーションシステムにおいて重要な要素となる。 ソースドメインタスクや機能を通じて補助情報を活用して、ターゲットドメインレコメンデーションを強化する。 しかし、一貫性のないソースドメインタスクを組み込むことで、ドメイン間モデリングや負の転送が不十分になる可能性がある。 根底にある因果関係を考慮せずにソースドメイン機能を組み込むことは、最終的な予測への貢献を制限する可能性がある。 したがって、自然な考え方は、ソースからターゲットドメインへの因果ラベル付きデータセットのクロスドメイン表現を直接トレーニングすることである。 しかし、現実のシナリオでは、バイアスのない本当の因果ラベルを特定することが非常に難しいため、この方向を調査することはめったにない。 本研究では,CE-CDR という因果拡張フレームワークを提案することによって,この方向への第一歩を踏み出そうとする。 具体的には、まず、原則化されたガイダンスのための因果グラフとしてクロスドメインレコメンデーションを再構成する。 次に、因果関係を意識したデータセットをヒューリスティックに構築する。 その後、理論的に偏りのない部分的ラベル因果損失を導出し、偏見付き因果認識データセットを超えてクロスドメインパターンに一般化し、リッチなクロスドメイン表現を生成し、ターゲットモデルに入力し、ターゲットドメイン推奨を強化する。 CE-CDRの合理性と有効性、およびモデルに依存しないプラグインとしての適用性を示す。 さらに、2025年4月から本番環境に配備され、現実世界のアプリケーションで実用的価値を示している。

関連論文リスト

• Enhancing Transferability and Consistency in Cross-Domain Recommendations via Supervised Disentanglement [13.553355329509243]
  クロスドメインレコメンデーションは、ドメイン間で知識を伝達することで、データの疎さを軽減することを目的としている。 分散表現学習は、複雑なユーザの好みをモデル化するための効果的なソリューションを提供する。 本稿では,GNN を拡張したエンコーダデコーダフレームワーク DGCDR を提案する。
  論文  参考訳（メタデータ） (2025-07-23T01:29:45Z)
• The Devil is in the Sources! Knowledge Enhanced Cross-Domain Recommendation in an Information Bottleneck Perspective [20.354832981118935]
  クロスドメインレコメンデーション(CDR)は、従来のレコメンデーションシステムにおけるデータ空間とコールドスタートの問題を軽減することを目的としている。 本稿では,CoTransという新しい知識強化型クロスドメインレコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-29T06:30:44Z)
• Towards Unified and Adaptive Cross-Domain Collaborative Filtering via Graph Signal Processing [48.04521184170971]
  CDR(Cross-Domain Recommendation)は、疎いターゲットドメインのレコメンデーションを改善するために高密度ドメインを活用することで、有望なソリューションとして登場した。 グラフ信号処理(GSP)に基づく統一適応型CDRフレームワークCGSPを提案する。
  論文  参考訳（メタデータ） (2024-07-17T07:52:45Z)
• Heterogeneous Graph-based Framework with Disentangled Representations Learning for Multi-target Cross Domain Recommendation [7.247438542823219]
  CDR(Cross-Domain Recommendation)は、レコメンデーションシステムにおけるデータ空間の問題に対する重要な解決策である。 本稿では,HGDR (Heterogeneous Graph-based Framework with Disentangled Representations Learning)を提案する。 実世界のデータセットとオンラインA/Bテストの実験により、提案モデルがドメイン間の情報を効果的に伝達できることが証明された。
  論文  参考訳（メタデータ） (2024-07-01T02:27:54Z)
• Domain Generalization via Causal Adjustment for Cross-Domain Sentiment Analysis [59.73582306457387]
  クロスドメイン感情分析における領域一般化の問題に焦点をあてる。 本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。 一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
  論文  参考訳（メタデータ） (2024-02-22T13:26:56Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
  教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。 ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。 我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
  論文  参考訳（メタデータ） (2022-04-06T09:13:25Z)
• Unsupervised Domain Generalization for Person Re-identification: A Domain-specific Adaptive Framework [50.88463458896428]
  ドメイン一般化(DG)は近年,人物再同定(ReID)において注目されている。 既存のメソッドは通常、ソースドメインにラベルを付ける必要があります。 本稿では、単純で効率的なドメイン固有適応化フレームワークを提案し、適応正規化モジュールで実現する。
  論文  参考訳（メタデータ） (2021-11-30T02:35:51Z)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。