論文の概要: Adaptive Diffusion-based Augmentation for Recommendation

• arxiv url: http://arxiv.org/abs/2601.01448v1
• Date: Sun, 04 Jan 2026 09:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.357269
• Title: Adaptive Diffusion-based Augmentation for Recommendation
• Title（参考訳）: レコメンデーションのための適応拡散に基づく拡張
• Authors: Na Li, Fanghui Sun, Yan Zou, Yangfu Zhu, Xiatian Zhu, Ying Ma,
• Abstract要約: 本稿では,制御可能な負のサンプルを生成するために,Adaptive Diffusion-based Augmentation for Recommendation (ADAR)を提案する。 ADARは正から負への連続的な遷移をシミュレートし、サンプル硬さのきめ細かい制御を可能にする。 ADARは広く互換性があり、既存のレコメンデーションモデルの性能を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 43.94507945637665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommendation systems often rely on implicit feedback, where only positive user-item interactions can be observed. Negative sampling is therefore crucial to provide proper negative training signals. However, existing methods tend to mislabel potentially positive but unobserved items as negatives and lack precise control over negative sample selection. We aim to address these by generating controllable negative samples, rather than sampling from the existing item pool. In this context, we propose Adaptive Diffusion-based Augmentation for Recommendation (ADAR), a novel and model-agnostic module that leverages diffusion to synthesize informative negatives. Inspired by the progressive corruption process in diffusion, ADAR simulates a continuous transition from positive to negative, allowing for fine-grained control over sample hardness. To mine suitable negative samples, we theoretically identify the transition point at which a positive sample turns negative and derive a score-aware function to adaptively determine the optimal sampling timestep. By identifying this transition point, ADAR generates challenging negative samples that effectively refine the model's decision boundary. Experiments confirm that ADAR is broadly compatible and boosts the performance of existing recommendation models substantially, including collaborative filtering and sequential recommendation, without architectural modifications.
• Abstract（参考訳）: レコメンデーションシステムは暗黙のフィードバックに頼り、ポジティブなユーザとイテムのインタラクションしか観察できない。 したがって、適切な負のトレーニング信号を提供するには負のサンプリングが不可欠である。 しかし、既存の手法では、潜在的に肯定的だが観測されていない項目を否定的なものと誤ラベルし、正のサンプル選択に対する正確な制御を欠く傾向にある。 既存のアイテムプールからサンプルをサンプリングするのではなく、制御可能な負のサンプルを生成することで、これらの問題に対処することを目指している。 本稿では,拡散を利用した情報負の合成法であるAdaptive Diffusion-based Augmentation for Recommendation (ADAR)を提案する。 拡散の進行的腐敗プロセスにインスパイアされたADARは、正から負への連続的な遷移をシミュレートし、サンプル硬さのきめ細かい制御を可能にする。 適切な負のサンプルを抽出するために、正のサンプルが負になる遷移点を理論的に同定し、スコア認識関数を導出し、最適なサンプリングタイムステップを適応的に決定する。 この遷移点を同定することにより、ADARはモデルの決定境界を効果的に洗練する挑戦的な負のサンプルを生成する。 実験では、ADARは広く互換性があり、アーキテクチャの変更なしに、協調フィルタリングやシーケンシャルレコメンデーションを含む既存のレコメンデーションモデルの性能を大幅に向上することを確認した。

関連論文リスト

• Causal Negative Sampling via Diffusion Model for Out-of-Distribution Recommendation [7.354459720418281]
  ヒューリスティックな負サンプリングは、予め定義された候補プールから様々な硬度レベルの負のサンプルを選択することにより、推薦性能を高める。 候補プールにおける未観測環境共創者は、偽硬陰性(FHNS)をサンプリング法で導入する可能性がある 本稿では,この問題を解決するためにDiffusion (CNSDiff) を用いたCausal Negative Smpling という新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-08-10T08:55:21Z)
• Diffusion Models with Adaptive Negative Sampling Without External Resources [54.84368884047812]
  ANSWERは、CFGをサポートするあらゆるモデルに適用可能な、トレーニング不要の技法であり、負のプロンプトを明示することなく、イメージ概念の負のグラウンド化を可能にする。 実験により、既存のDMにANSWERを追加することは、複数のベンチマークでベースラインよりも優れており、他の方法よりも人間の方が2倍多いことが示されている。
  論文  参考訳（メタデータ） (2025-08-05T00:45:54Z)
• SyNeg: LLM-Driven Synthetic Hard-Negatives for Dense Retrieval [45.971786380884126]
  Dense Search (DR) の性能は, 陰性サンプリングの品質に大きく影響される。 大規模言語モデル(LLM)の最近の進歩は、文脈的にリッチで多様な負のサンプルを生成することで革新的なソリューションを提供する。 本研究では,LLMを用いて高品質な硬質負のサンプルを合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-23T03:49:00Z)
• Your Negative May not Be True Negative: Boosting Image-Text Matching with False Negative Elimination [62.18768931714238]
  提案手法は, サンプリングによる新規な偽陰性除去 (FNE) 戦略である。 その結果,提案した偽陰性除去戦略の優位性が示された。
  論文  参考訳（メタデータ） (2023-08-08T16:31:43Z)
• Generating Negative Samples for Sequential Recommendation [83.60655196391855]
  逐次レコメンデーション(SR)のための負のサンプル(イテム)を生成することを提案する。 アイテムに対する現在のSRモデルの学習されたユーザの好みに基づいて、各タイムステップで負の項目をサンプリングする。 4つの公開データセットの実験は、SRに高品質な負のサンプルを提供することの重要性を検証する。
  論文  参考訳（メタデータ） (2022-08-07T05:44:13Z)
• Asymptotically Unbiased Estimation for Delayed Feedback Modeling via Label Correction [14.462884375151045]
  遅延したフィードバックは、オンライン広告の変換率予測に不可欠である。 これまでの遅延したフィードバックモデリング手法は、正確なラベルを待ち、新鮮なフィードバックを消費する間のトレードオフのバランスをとる。 提案手法は, 即効性, 偽陰性, 実陰性, 遅延正サンプルの重み付けをそれぞれ補正することを目的として, 非バイアス推定を用いた遅延フィードバックモデリング(DEFUSE)を提案する。
  論文  参考訳（メタデータ） (2022-02-14T03:31:09Z)
• Rethinking InfoNCE: How Many Negative Samples Do You Need? [54.146208195806636]
  半定量的理論フレームワークを用いて, InfoNCE に最適化された負のサンプル数について検討した。 トレーニングの有効性関数を最大化する$K$値を用いて,最適負サンプリング比を推定する。
  論文  参考訳（メタデータ） (2021-05-27T08:38:29Z)
• Reinforced Negative Sampling over Knowledge Graph for Recommendation [106.07209348727564]
  我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(kgPolicy)を開発した。 kgPolicyは、ターゲットのポジティブなインタラクションからナビゲートし、知識を意識したネガティブなシグナルを適応的に受信し、最終的にはリコメンダをトレーニングする潜在的なネガティブなアイテムを生成する。
  論文  参考訳（メタデータ） (2020-03-12T12:44:30Z)

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。