論文の概要: Adversarial Alignment and Disentanglement for Cross-Domain CTR Prediction with Domain-Encompassing Features

• arxiv url: http://arxiv.org/abs/2601.17472v1
• Date: Sat, 24 Jan 2026 14:20:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.805255
• Title: Adversarial Alignment and Disentanglement for Cross-Domain CTR Prediction with Domain-Encompassing Features
• Title（参考訳）: クロスドメインCTR予測における領域通過特性を用いた逆アライメントとアンタングルメント
• Authors: Junyou He, Lixi Deng, Huichao Guo, Ye Tang, Yong Li, Sulong Xu,
• Abstract要約: クロスドメインレコメンデーション(CDR)は、データスパーシリティとコールドスタートの問題に対処するために、ますます検討されている。 最近のアプローチでは、典型的にはソースとターゲットドメイン間で共有されるドメイン不変の機能と、各ドメインのドメイン特化機能を取り除きます。 本稿では,クロスドメイン情報の範囲を包括的に把握する革新的な手法であるAdversarial Alignment and Disentanglement Cross-Domain Recommendationモデルを提案する。
• 参考スコア（独自算出の注目度）: 9.70128576544644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain recommendation (CDR) has been increasingly explored to address data sparsity and cold-start issues. However, recent approaches typically disentangle domain-invariant features shared between source and target domains, as well as domain-specific features for each domain. However, they often rely solely on domain-invariant features combined with target domain-specific features, which can lead to suboptimal performance. To overcome the limitations, this paper presents the Adversarial Alignment and Disentanglement Cross-Domain Recommendation ($A^2DCDR$ ) model, an innovative approach designed to capture a comprehensive range of cross-domain information, including both domain-invariant and valuable non-aligned features. The $A^2DCDR$ model enhances cross-domain recommendation through three key components: refining MMD with adversarial training for better generalization, employing a feature disentangler and reconstruction mechanism for intra-domain disentanglement, and introducing a novel fused representation combining domain-invariant, non-aligned features with original contextual data. Experiments on real-world datasets and online A/B testing show that $A^2DCDR$ outperforms existing methods, confirming its effectiveness and practical applicability. The code is provided at https://github.com/youzi0925/A-2DCDR/tree/main.
• Abstract（参考訳）: クロスドメインレコメンデーション(CDR)は、データスパーシリティとコールドスタートの問題に対処するために、ますます検討されている。 しかし、最近のアプローチは典型的には、ソースとターゲットドメイン間で共有されるドメイン不変の機能と、各ドメインのドメイン固有の機能とをアンタングルにする。 しかし、それらはしばしばドメイン固有の機能と組み合わせてドメイン不変の機能にのみ依存する。 この制限を克服するため,ドメイン不変性と非整合性の両方を含むドメイン間情報を包括的に把握する革新的なアプローチであるAdversarial Alignment and Disentanglement Cross-Domain Recommendation(A^2DCDR$ )モデルを提案する。 A^2DCDR$モデルは、3つの重要なコンポーネントを通じてドメイン間の推薦を強化する: 敵のトレーニングでMDDを改良し、より良い一般化を図り、機能不整合とドメイン内不整合の再構成機構を利用し、ドメイン不変で非整合な特徴と元のコンテキストデータを組み合わせた新しい融合表現を導入する。 実世界のデータセットとオンラインA/Bテストの実験によると、$A^2DCDR$は既存の手法よりも優れており、その有効性と実用性を確認している。 コードはhttps://github.com/youzi0925/A-2DCDR/tree/mainで提供されている。

関連論文リスト

• LLM-RecG: A Semantic Bias-Aware Framework for Zero-Shot Sequential Recommendation [5.512301280728178]
  ゼロショットクロスドメインシーケンシャルレコメンデーション(ZCDSR)は、追加のトレーニングや微調整なしで、目に見えないドメインでの予測を可能にする。 大規模言語モデル(LLM)の最近の進歩は、ドメイン間の知識伝達を容易にすることで、ZCDSRを大幅に強化している。 本稿では,アイテムレベルとシーケンシャルレベルの両方において,ドメイン間のアライメントを改善するセマンティックバイアス対応フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-31T15:43:21Z)
• Domain-Aware Cross-Attention for Cross-domain Recommendation [4.602115311495822]
  クロスドメインレコメンデーション(CDR)は、レコメンダシステムの性能を改善する重要な方法である。 本稿では、異なる粒度からソースドメインの転送可能な特徴を抽出する2段階のクロスアテンションを提案する。 公共データセットと産業データセットの両方で実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-01-22T06:12:48Z)
• Adaptive Domain Generalization via Online Disagreement Minimization [17.215683606365445]
  ドメインの一般化は、モデルを目に見えないターゲットのドメインに安全に転送することを目的としています。 AdaODMは、異なるターゲットドメインに対するテスト時にソースモデルを適応的に修正する。 その結果,AdaODMは未確認領域の一般化能力を安定的に向上することがわかった。
  論文  参考訳（メタデータ） (2022-08-03T11:51:11Z)
• 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)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• Cross-domain Detection via Graph-induced Prototype Alignment [114.8952035552862]
  カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。 さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-03-28T17:46:55Z)
• 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。