論文の概要: Talos: Optimizing Top-$K$ Accuracy in Recommender Systems

• arxiv url: http://arxiv.org/abs/2601.19276v1
• Date: Tue, 27 Jan 2026 07:04:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.216378
• Title: Talos: Optimizing Top-$K$ Accuracy in Recommender Systems
• Title（参考訳）: Talos: RecommenderシステムにおけるTop-K$の精度を最適化する
• Authors: Shengjia Zhang, Weiqin Yang, Jiawei Chen, Peng Wu, Yuegang Sun, Gang Wang, Qihao Shi, Can Wang,
• Abstract要約: 本稿では,Talosレコメンデーションの精度を最適化するために特別に設計された損失関数であるTalosを提案する。 我々は,効率的なしきい値推定のためのサンプリングベース回帰アルゴリズムを開発した。 我々は不連続性に対処し、分布シフトに対する堅牢性を高めるために、調整された代理関数を組み込んだ。
• 参考スコア（独自算出の注目度）: 14.229918568280729
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems (RS) aim to retrieve a small set of items that best match individual user preferences. Naturally, RS place primary emphasis on the quality of the Top-$K$ results rather than performance across the entire item set. However, estimating Top-$K$ accuracy (e.g., Precision@$K$, Recall@$K$) requires determining the ranking positions of items, which imposes substantial computational overhead and poses significant challenges for optimization. In addition, RS often suffer from distribution shifts due to evolving user preferences or data biases, further complicating the task. To address these issues, we propose Talos, a loss function that is specifically designed to optimize the Talos recommendation accuracy. Talos leverages a quantile technique that replaces the complex ranking-dependent operations into simpler comparisons between predicted scores and learned score thresholds. We further develop a sampling-based regression algorithm for efficient and accurate threshold estimation, and introduce a constraint term to maintain optimization stability by preventing score inflation. Additionally, we incorporate a tailored surrogate function to address discontinuity and enhance robustness against distribution shifts. Comprehensive theoretical analyzes and empirical experiments are conducted to demonstrate the effectiveness, efficiency, convergence, and distributional robustness of Talos. The code is available at https://github.com/cynthia-shengjia/WWW-2026-Talos.
• Abstract（参考訳）: Recommender System (RS) は、個々のユーザの好みに最も合う小さなアイテムの集合を検索することを目的としている。 当然、RSはアイテム全体のパフォーマンスよりも、Top-$K$の結果の品質に重点を置いています。 しかし、Top-$K$の精度(例えば、Precision@$K$、Recall@$K$)を推定するには、アイテムのランキング位置を決定する必要がある。 さらに、RSは、ユーザの好みやデータのバイアスの進化による分散シフトに悩まされ、さらにタスクを複雑にします。 これらの問題に対処するため、我々はTalosレコメンデーションの精度を最適化するために特別に設計された損失関数であるTalosを提案する。 Talosは、複雑なランキング依存の操作を、予測スコアと学習スコア閾値との単純な比較に置き換える量子的手法を利用している。 さらに,効率的なしきい値推定のためのサンプリングベース回帰アルゴリズムを開発し,スコアインフレーションを防止して最適化安定性を維持するための制約項を導入する。 さらに、不連続性に対処し、分散シフトに対する堅牢性を高めるために、調整されたサロゲート関数を組み込む。 タロスの有効性, 効率, 収束性, 分布ロバスト性を実証するために, 総合的理論的解析および実証実験を行った。 コードはhttps://github.com/cynthia-shengjia/WWW-2026-Talosで公開されている。

関連論文リスト

• On the Optimal Construction of Unbiased Gradient Estimators for Zeroth-Order Optimization [57.179679246370114]
  既存の手法の潜在的な制限は、ステップサイズが提案されない限り、ほとんどの摂動推定器に固有のバイアスである。 本稿では, 良好な構成を維持しつつ, バイアスを排除した非バイアス勾配スケーリング推定器のファミリーを提案する。
  論文  参考訳（メタデータ） (2025-10-22T18:25:43Z)
• AcuRank: Uncertainty-Aware Adaptive Computation for Listwise Reranking [35.685682379377134]
  大規模言語モデル (LLMs) によるリストのランク付けは、検索ベースのアプリケーションにおいて上位のランク付けされた結果を強化する。 AcuRank は文書関連性に対する不確実性推定に基づいて動的に計算量と目標を調節する適応型再ランクフレームワークである。 TREC-DLとBEIRのベンチマークの結果から,提案手法は精度・効率のトレードオフを一貫して達成し,固定計算ベースラインよりも計算能力に優れることがわかった。
  論文  参考訳（メタデータ） (2025-05-24T05:15:49Z)
• "Over-optimizing" for Normality: Budget-constrained Uncertainty Quantification for Contextual Decision-making [1.2997358113120427]
  重み付きサンプル平均近似(wSAA)を用いた文脈最適化の不確実性定量化について検討する。 我々は、wSAAの中央極限定理を確立し、最適条件予測コストに対するアルゴリズム正規性に基づく信頼区間を構築する。 我々は、予算制約付き推定器の収束率をわずかに低下させ、過度に最適化する'(命名規則よりも多くのイテレーションを実行する)が、この過ちを軽減し、正規性を保っていることを示す。
  論文  参考訳（メタデータ） (2025-03-17T02:31:56Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Geometric-Averaged Preference Optimization for Soft Preference Labels [78.2746007085333]
  LLMを人間の嗜好と整合させる多くのアルゴリズムは、人間の嗜好は二進的かつ決定論的であると仮定する。 本研究では,分散ソフトな選好ラベルを導入し,損失関数におけるLLM出力確率の重み付き幾何平均を用いて直接選好最適化(DPO)を改善する。
  論文  参考訳（メタデータ） (2024-09-10T17:54:28Z)
• Towards Efficient and Optimal Covariance-Adaptive Algorithms for Combinatorial Semi-Bandits [12.674929126684528]
  我々は、プレイヤーがPアクションの中から d 個の基本アイテムを含む集合のパワーセットから選択する半帯域の問題に対処する。 提案手法は半帯域フィードバックを効果的に活用し,帯域フィードバックアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-23T08:07:54Z)
• A Specialized Semismooth Newton Method for Kernel-Based Optimal Transport [92.96250725599958]
  カーネルベース最適輸送(OT)推定器は、サンプルからOT問題に対処するための代替的機能的推定手順を提供する。 SSN法は, 標準正規性条件下でのグローバル収束率$O (1/sqrtk)$, 局所二次収束率を達成できることを示す。
  論文  参考訳（メタデータ） (2023-10-21T18:48:45Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)

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。