論文の概要: Automated Information Flow Selection for Multi-scenario Multi-task Recommendation
- arxiv url: http://arxiv.org/abs/2512.13396v1
- Date: Mon, 15 Dec 2025 14:48:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.703739
- Title: Automated Information Flow Selection for Multi-scenario Multi-task Recommendation
- Title（参考訳）: マルチシナリオマルチタスクレコメンデーションのための自動情報フロー選択
- Authors: Chaohua Yang, Dugang Liu, Shiwei Li, Yuwen Fu, Xing Tang, Weihong Luo, Xiangyu Zhao, Xiuqiang He, Zhong Ming,
- Abstract要約: マルチシナリオマルチタスクレコメンデーション(MSMTR)のための軽量な自動情報フロー選択(AutoIFS)フレームワークを提案する。
最初の問題に取り組むために、AutoIFSは4つの情報ユニットを分離するためにローランク適応(LoRA)を組み込んでいる。
2つ目の問題に対処するため、AutoIFSは、無効なシナリオタスク情報フローを自動的にフィルタリングする情報フロー選択ネットワークを導入した。
- 参考スコア（独自算出の注目度）: 25.13782475159852
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Multi-scenario multi-task recommendation (MSMTR) systems must address recommendation demands across diverse scenarios while simultaneously optimizing multiple objectives, such as click-through rate and conversion rate. Existing MSMTR models typically consist of four information units: scenario-shared, scenario-specific, task-shared, and task-specific networks. These units interact to generate four types of relationship information flows, directed from scenario-shared or scenario-specific networks to task-shared or task-specific networks. However, these models face two main limitations: 1) They often rely on complex architectures, such as mixture-of-experts (MoE) networks, which increase the complexity of information fusion, model size, and training cost. 2) They extract all available information flows without filtering out irrelevant or even harmful content, introducing potential noise. Regarding these challenges, we propose a lightweight Automated Information Flow Selection (AutoIFS) framework for MSMTR. To tackle the first issue, AutoIFS incorporates low-rank adaptation (LoRA) to decouple the four information units, enabling more flexible and efficient information fusion with minimal parameter overhead. To address the second issue, AutoIFS introduces an information flow selection network that automatically filters out invalid scenario-task information flows based on model performance feedback. It employs a simple yet effective pruning function to eliminate useless information flows, thereby enhancing the impact of key relationships and improving model performance. Finally, we evaluate AutoIFS and confirm its effectiveness through extensive experiments on two public benchmark datasets and an online A/B test.
- Abstract（参考訳）: マルチシナリオマルチタスクレコメンデーション(MSMTR)システムは、クリックスルー率や変換率などの複数の目的を同時に最適化しながら、さまざまなシナリオにわたるレコメンデーション要求に対処する必要がある。
既存のSMTRモデルは、シナリオ共有、シナリオ特化、タスク共有、タスク特化の4つの情報ユニットで構成されている。
これらのユニットは、シナリオ共有またはシナリオ固有ネットワークからタスク共有またはタスク固有ネットワークへの4種類の関係情報フローを生成するために相互作用する。
しかし、これらのモデルは2つの主な制限に直面している。
1)情報融合の複雑さ、モデルサイズ、トレーニングコストを増大させるMix-of-Experts(MoE)ネットワークなど、複雑なアーキテクチャに依存していることが多い。
2) 有害な内容や有害な内容を除去することなく, 潜在的なノイズを発生させることなく, 利用可能な情報の流れを抽出する。
これらの課題に対して,MSMTRのための軽量な自動情報フロー選択(AutoIFS)フレームワークを提案する。
最初の問題に取り組むために、AutoIFSは4つの情報ユニットを分離するためにローランク適応(LoRA)を導入し、パラメータのオーバーヘッドを最小限に抑えたより柔軟で効率的な情報融合を可能にした。
2つ目の問題に対処するため、AutoIFSは、モデルの性能フィードバックに基づいて、無効なシナリオタスク情報フローを自動的にフィルタリングする情報フロー選択ネットワークを導入した。
シンプルだが効果的なプルーニング機能を使用して、無駄な情報フローを排除し、キーリレーションの影響を高め、モデル性能を向上させる。
最後に,2つの公開ベンチマークデータセットとオンラインA/Bテストを用いて,AutoIFSを評価し,その有効性を確認する。
関連論文リスト
- FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。
本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。
FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
論文 参考訳（メタデータ） (2025-11-26T08:36:33Z) - INFNet: A Task-aware Information Flow Network for Large-Scale Recommendation Systems [8.283354901677692]
Information Flow Network (INFNet)は、大規模レコメンデーションシナリオ用に設計されたタスク対応アーキテクチャである。
INFNetは、機能を3つのトークンタイプ、分類トークン、シーケンストークン、タスクトークンに分類し、新しいデュアルフロー設計を導入している。
INFNetは商業オンライン広告システムで成功し、収益(REV)は1.587%、クリックスルーレート(CTR)は+1.155%だった。
論文 参考訳（メタデータ） (2025-08-15T16:18:32Z) - AutoJudger: An Agent-Driven Framework for Efficient Benchmarking of MLLMs [24.403284945948272]
AutoJudgerはマルチモーダルな大規模言語モデルの効率的かつ適応的なベンチマークのためのエージェント駆動フレームワークである。
AutoJudgerは、アイテム応答理論(IRT)を用いて、質問の難易度を推定し、自律的な評価エージェントを使用して最も情報性の高いテスト質問を動的に選択する。
論文 参考訳（メタデータ） (2025-05-27T16:17:15Z) - Pilot: Building the Federated Multimodal Instruction Tuning Framework [79.56362403673354]
本フレームワークは、視覚エンコーダとLCMのコネクタに「アダプタのアダプタ」の2つの段階を統合する。
ステージ1では視覚情報からタスク固有の特徴とクライアント固有の特徴を抽出する。
ステージ2では、クロスタスクインタラクションを実行するために、クロスタスクMixture-of-Adapters(CT-MoA)モジュールを構築します。
論文 参考訳（メタデータ） (2025-01-23T07:49:24Z) - Empowering Large Language Models in Wireless Communication: A Novel Dataset and Fine-Tuning Framework [81.29965270493238]
我々は,無線通信アプリケーションのための大規模言語モデル(LLM)の評価と微調整を目的とした,特殊なデータセットを開発した。
データセットには、真/偽と複数選択型を含む、さまざまなマルチホップ質問が含まれている。
本稿では,PVI(Pointwise V-Information)に基づく微調整手法を提案する。
論文 参考訳（メタデータ） (2025-01-16T16:19:53Z) - MIETT: Multi-Instance Encrypted Traffic Transformer for Encrypted Traffic Classification [59.96233305733875]
トラフィックの分類は、セキュリティの脅威を検出し、ネットワーク管理を最適化するために不可欠である。
トークンレベルとパケットレベルの両方の関係をキャプチャするMulti-Instance Encrypted Traffic Transformer (MIETT)を提案する。
MIETTは5つのデータセットにまたがって結果を達成し、暗号化されたトラフィックの分類と複雑なネットワーク動作の理解の有効性を示す。
論文 参考訳（メタデータ） (2024-12-19T12:52:53Z) - Multimodal Question Answering for Unified Information Extraction [15.798187192290746]
マルチモーダル情報抽出は、構造化されていないマルチメディアコンテンツから構造化された情報を抽出することを目的としている。
現在のMIEモデルはタスク固有でデータ集約である。
3つのMIEタスクを統合するための新しいマルチモーダル質問応答(MQA)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-04T17:58:05Z) - Diffusion Model is an Effective Planner and Data Synthesizer for
Multi-Task Reinforcement Learning [101.66860222415512]
Multi-Task Diffusion Model (textscMTDiff) は、トランスフォーマーのバックボーンを組み込んだ拡散に基づく手法であり、生成計画とデータ合成のための素早い学習を行う。
生成計画において、textscMTDiffはMeta-World上の50のタスクとMaze2D上の8のマップで最先端のアルゴリズムより優れています。
論文 参考訳（メタデータ） (2023-05-29T05:20:38Z) - HiNet: Novel Multi-Scenario & Multi-Task Learning with Hierarchical Information Extraction [50.40732146978222]
マルチシナリオとマルチタスク学習は、産業アプリケーションにおける多くのレコメンデーションシステムに広く応用されている。
階層型情報抽出ネットワーク(HiNet)を提案する。
HiNetは、新しい最先端のパフォーマンスを実現し、既存のソリューションを大幅に上回っている。
論文 参考訳（メタデータ） (2023-03-10T17:24:41Z) - A Multi-Stage Automated Online Network Data Stream Analytics Framework for IIoT Systems [10.769230030919074]
IIoTシステムにおけるコンセプトドリフト適応のための新しいMulti-Stage Automated Network Analytics(MSANA)フレームワークを提案する。
MSANAは、動的データ前処理、Driftベースの動的特徴選択(DD-FS)メソッド、動的モデル学習と選択、ウィンドウベースのパフォーマンス重み付き確率平均アンサンブル(W-PWPAE)モデルで構成されている。
それは完全な自動データストリーム分析フレームワークで、産業用5.0におけるIIoTシステムの自動的、効率的、効率的なデータ分析を可能にする。
論文 参考訳（メタデータ） (2022-10-05T02:18:36Z)
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。