論文の概要: Lightweight Inference-Time Personalization for Frozen Knowledge Graph Embeddings

• arxiv url: http://arxiv.org/abs/2512.22398v1
• Date: Fri, 26 Dec 2025 22:30:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.031803
• Title: Lightweight Inference-Time Personalization for Frozen Knowledge Graph Embeddings
• Title（参考訳）: 凍結知識グラフ埋め込みのための軽量推論時間パーソナライズ
• Authors: Ozan Oguztuzun, Cerag Oguztuzun,
• Abstract要約: GatedBiasは知識グラフのための軽量な推論時パーソナライズフレームワークである。 プロファイル固有の機能は、グラフ由来のバイナリゲートと組み合わせて、解釈可能な、パーエンタリティバイアスを生成する。 2つのベンチマークデータセット上でGatedBiasを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models for knowledge graphs (KGs) achieve strong cohort-level performance in link prediction, yet fail to capture individual user preferences; a key disconnect between general relational reasoning and personalized ranking. We propose GatedBias, a lightweight inference-time personalization framework that adapts frozen KG embeddings to individual user contexts without retraining or compromising global accuracy. Our approach introduces structure-gated adaptation: profile-specific features combine with graph-derived binary gates to produce interpretable, per-entity biases, requiring only ${\sim}300$ trainable parameters. We evaluate GatedBias on two benchmark datasets (Amazon-Book and Last-FM), demonstrating statistically significant improvements in alignment metrics while preserving cohort performance. Counterfactual perturbation experiments validate causal responsiveness; entities benefiting from specific preference signals show 6--30$\times$ greater rank improvements when those signals are boosted. These results show that personalized adaptation of foundation models can be both parameter-efficient and causally verifiable, bridging general knowledge representations with individual user needs.
• Abstract（参考訳）: 知識グラフの基礎モデル(KG)は、リンク予測において強いコホートレベルのパフォーマンスを達成するが、個々のユーザの好みを捉えない。 我々は,GatedBiasを提案する。GatedBiasは軽量な推論時パーソナライズフレームワークで,凍結したKG埋め込みを,グローバルな精度の再トレーニングや妥協を行うことなく,個々のユーザコンテキストに適応する。 プロファイル固有の特徴とグラフ由来のバイナリゲートを組み合わせることで、解釈可能な、パーエンタリティバイアスを生成し、トレーニング可能なパラメータを${\sim}300$だけ必要とします。 我々は、GatedBiasを2つのベンチマークデータセット(Amazon-BookとLast-FM)で評価し、コホート性能を維持しながらアライメント指標の統計的に有意な改善を示した。 要因摂動実験は因果応答性を検証する; 特定の選好信号から恩恵を受ける実体は、これらの信号が促進されたときに6-30$\times$より大きなランク改善を示す。 これらの結果は,基本モデルのパーソナライズされた適応は,パラメータ効率と因果検証の両方が可能であり,個々のユーザニーズに合わせた一般知識表現をブリッジできることを示唆している。

関連論文リスト

• Curriculum Guided Personalized Subgraph Federated Learning [8.721619913104899]
  Subgraph Federated Learning (FL)は、分散プライベートサブグラフ間でグラフニューラルネットワーク(GNN)をトレーニングすることを目的としている。 重み付きモデルアグリゲーションは、類似のサブグラフ特性を持つクライアントからパラメータにより大きな重みを割り当てることで、各ローカルGNNをパーソナライズする。 そこで我々は,Curriculum Guided PersonalsUbgraph Federated Learning (CUFL) という新たなサブグラフFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-30T08:01:36Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Software Engineering Principles for Fairer Systems: Experiments with GroupCART [9.545063195641882]
  GroupCARTはツリーベースのアンサンブルで、モデル構築時のバイアスを回避する。 実験の結果,GroupCARTはデータ変換なしでより公平なモデルを実現することがわかった。 その結果,決定木モデルのアルゴリズムバイアスは,マルチタスク,公平性を考慮した学習によって緩和可能であることが示された。
  論文  参考訳（メタデータ） (2025-04-17T02:06:05Z)
• Personalized Federated Learning for Egocentric Video Gaze Estimation with Comprehensive Parameter Frezzing [40.38600443291142]
  エゴセントリックなビデオ視線推定は、多様なユーザデータに適応しながら、個々の視線パターンをキャプチャするモデルを必要とする。 当社のアプローチはトランスフォーマーベースのアーキテクチャを活用し,最も重要なパラメータであるトレーニング中の変更率の高いパラメータのみを選択・凍結してクライアントモデルでパーソナライズする,PFLフレームワークに統合する。
  論文  参考訳（メタデータ） (2025-02-25T11:46:28Z)
• UFGraphFR: Graph Federation Recommendation System based on User Text description features [13.253574095071537]
  フェデレーション学習は、レコメンデーションシステムのためのプライバシー保護フレームワークを提供する。 従来のフェデレートされたレコメンデーションアプローチは、各ユーザを独立したエンティティとして扱う。 本稿では,3つのキーコンポーネントを持つ新しいフレームワークであるUFGraphFRを提案する。
  論文  参考訳（メタデータ） (2025-01-14T11:52:16Z)
• Endowing Pre-trained Graph Models with Provable Fairness [49.8431177748876]
  証明可能な公正性を持つ事前学習グラフモデル(GraphPAR)を実現する新しいアダプタチューニングフレームワークを提案する。 具体的には、各ノードに対して異なる属性意味を持つノード表現を拡張するために、ノード表現に対するセンシティブなセマンティックオーグメンタを設計する。 GraphPARでは、各ノードの公平性が証明可能であるかどうか、すなわち、予測が特定の機密属性セマンティクスの範囲内で常に公平であるかどうかを定量化する。
  論文  参考訳（メタデータ） (2024-02-19T14:16:08Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Adaptive Graph-Based Feature Normalization for Facial Expression Recognition [1.2246649738388389]
  データ不確実性から表情認識モデルを保護するために,適応グラフに基づく特徴正規化(AGFN)手法を提案する。 我々の手法は、ベンチマークデータセットで91.84%、91.11%の精度で最先端の作業より優れています。
  論文  参考訳（メタデータ） (2022-07-22T14:57:56Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)

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。