論文の概要: TV-Rec: Time-Variant Convolutional Filter for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2510.25259v1
• Date: Wed, 29 Oct 2025 08:14:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.278914
• Title: TV-Rec: Time-Variant Convolutional Filter for Sequential Recommendation
• Title（参考訳）: TV-Rec:シークエンシャルレコメンデーションのための時間可変畳み込みフィルタ
• Authors: Yehjin Shin, Jeongwhan Choi, Seojin Kim, Noseong Park,
• Abstract要約: 本稿では,時系列レコメンデーションのための時間可変畳み込みフィルタ(TV-Rec)を提案する。 TV-Recは高い表現力を実現し、ユーザの振る舞いにおける複雑なインタラクションパターンをよりよく捉えます。 6つの公開ベンチマークでの大規模な実験は、TV-Recが最先端のベースラインを平均7.49%上回っていることを示している。
• 参考スコア（独自算出の注目度）: 35.07451950291286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, convolutional filters have been increasingly adopted in sequential recommendation for their ability to capture local sequential patterns. However, most of these models complement convolutional filters with self-attention. This is because convolutional filters alone, generally fixed filters, struggle to capture global interactions necessary for accurate recommendation. We propose Time-Variant Convolutional Filters for Sequential Recommendation (TV-Rec), a model inspired by graph signal processing, where time-variant graph filters capture position-dependent temporal variations in user sequences. By replacing both fixed kernels and self-attention with time-variant filters, TV-Rec achieves higher expressive power and better captures complex interaction patterns in user behavior. This design not only eliminates the need for self-attention but also reduces computation while accelerating inference. Extensive experiments on six public benchmarks show that TV-Rec outperforms state-of-the-art baselines by an average of 7.49%.
• Abstract（参考訳）: 近年、畳み込みフィルタは、局所的なシーケンシャルパターンをキャプチャするためのシーケンシャルレコメンデーションとして、ますます採用されている。 しかし、これらのモデルのほとんどは自己注意を伴う畳み込みフィルタを補完する。 これは、畳み込みフィルタだけでは、一般的に固定されたフィルタは、正確なレコメンデーションに必要なグローバルな相互作用を捉えるのに苦労するためである。 本稿では,時系列推薦のための時間変動畳み込みフィルタ (TV-Rec) を提案する。 固定カーネルと自己アテンションの両方を時間変化フィルタに置き換えることで、TV-Recはより表現力を高め、ユーザの振る舞いにおける複雑なインタラクションパターンをよりよくキャプチャする。 この設計は、自己注意の必要性をなくすだけでなく、推論を加速しながら計算を減少させる。 6つの公開ベンチマークでの大規模な実験は、TV-Recが最先端のベースラインを平均7.49%上回っていることを示している。

関連論文リスト

• GSPRec: Temporal-Aware Graph Spectral Filtering for Recommendation [19.275813818441506]
  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)
• TimeFilter: Patch-Specific Spatial-Temporal Graph Filtration for Time Series Forecasting [87.71846357354384]
  時系列予測手法は一般的に,Channel Independent(CI)とChannel Dependent(CD)の2つの主要なカテゴリに分類される。 チャネルクラスタリング(CC)の最近の進歩は、類似した特性を持つチャネルをグループ化することで依存性モデリングを洗練することを目的としている。 我々は、適応的できめ細かい依存性モデリングのためのGNNベースのフレームワークであるTimeFilterを提案する。
  論文  参考訳（メタデータ） (2025-01-22T17:40:17Z)
• 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)
• Focus Your Attention (with Adaptive IIR Filters) [62.80628327613344]
  本稿では2次インパルス応答(IIR)フィルタを用いて入力シーケンスを動的に処理する新しい層を提案する。 比較的低次であるにもかかわらず、因果適応フィルタは関連する配列要素に注目することが示されている。
  論文  参考訳（メタデータ） (2023-05-24T09:42:30Z)
• Message Passing in Graph Convolution Networks via Adaptive Filter Banks [81.12823274576274]
  我々は BankGCN と呼ばれる新しいグラフ畳み込み演算子を提案する。 グラフ上のマルチチャネル信号をサブスペースに分解し、各サブスペース内の特定の情報を適応フィルタで処理する。 ベンチマークグラフデータセットの集合におけるグラフ分類における優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-06-18T04:23:34Z)
• Dependency Aware Filter Pruning [74.69495455411987]
  重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。 以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。 所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
  論文  参考訳（メタデータ） (2020-05-06T07:41:22Z)

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。