論文の概要: SA-CAISR: Stage-Adaptive and Conflict-Aware Incremental Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2602.08678v1
- Date: Mon, 09 Feb 2026 14:00:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-10 20:26:25.263385
- Title: SA-CAISR: Stage-Adaptive and Conflict-Aware Incremental Sequential Recommendation
- Title（参考訳）: SA-CAISR:Stage-Adaptive and Conflict-Aware Incremental Sequential Recommendation
- Authors: Xiaomeng Song, Xinru Wang, Hanbing Wang, Hongyu Lu, Yu Chen, Zhaochun Ren, Zhumin Chen,
- Abstract要約: 本稿では,SA-CAISRを提案する。
バッファフリーのフレームワークとして、SA-CAISRは古いモデルと新しいデータのみを使用して動作する。
SA-CAISRはRecall@20を2.0%改善し、MRR@20を1.2%改善し、NDCG@20を1.4%改善した。
- 参考スコア（独自算出の注目度）: 34.39526892352457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sequential recommendation (SR) aims to predict a user's next action by learning from their historical interaction sequences. In real-world applications, these models require periodic updates to adapt to new interactions and evolving user preferences. While incremental learning methods facilitate these updates, they face significant challenges. Replay-based approaches incur high memory and computational costs, and regularization-based methods often struggle to discard outdated or conflicting knowledge. To overcome these challenges, we propose SA-CAISR, a Stage-Adaptive and Conflict-Aware Incremental Sequential Recommendation framework. As a buffer-free framework, SA-CAISR operates using only the old model and new data, directly addressing the high costs of replay-based techniques. SA-CAISR introduces a novel Fisher-weighted knowledge-screening mechanism that dynamically identifies outdated knowledge by estimating parameter-level conflicts between the old model and new data, allowing our approach to selectively remove obsolete knowledge while preserving compatible historical patterns. This dynamic balance between stability and adaptability allows our method to achieve a new state-of-the-art performance in incremental SR. Specifically, SA-CAISR improves Recall@20 by 2.0%, MRR@20 by 1.2%, and NDCG@20 by 1.4% on average across datasets, while reducing memory usage by 97.5% and training time by 46.9% compared to the best baselines. This efficiency allows real-world systems to rapidly update user profiles with minimal computational overhead, ensuring more timely and accurate recommendations.
- Abstract（参考訳）: シークエンシャルレコメンデーション(SR)は、過去のインタラクションシーケンスから学習することで、ユーザの次のアクションを予測することを目的としている。
現実世界のアプリケーションでは、これらのモデルは、新しいインタラクションに適応し、ユーザの好みを進化させるために定期的な更新を必要とします。
漸進的な学習手法はこれらの更新を促進するが、大きな課題に直面している。
リプレイベースのアプローチは高いメモリと計算コストを発生させ、正規化ベースの手法は古い知識や矛盾する知識を捨てるのに苦労することが多い。
これらの課題を克服するため、我々はSA-CAISR(Stage-Adaptive and Conflict-Aware Incremental Sequential Recommendation framework)を提案する。
バッファフリーフレームワークとして、SA-CAISRは古いモデルと新しいデータのみを使用して動作し、リプレイベースのテクニックのコストに対処する。
SA-CAISRは,古いモデルと新しいデータ間のパラメータレベルの矛盾を推定することにより,古い知識を動的に識別する,フィッシャー重み付き知識スクリーニング機構を導入した。
この安定性と適応性の動的バランスにより、インクリメンタルSRにおける新しい最先端性能を実現することができる。
具体的には、SA-CAISRはRecall@20を2.0%改善し、MRR@20を1.2%改善し、NDCG@20を1.4%改善した。
この効率性により、現実世界のシステムは計算オーバーヘッドを最小限に抑え、よりタイムリーで正確なレコメンデーションを保証できる。
関連論文リスト
- Retrofit: Continual Learning with Bounded Forgetting for Security Applications [25.185616916987158]
本稿では,データ振り返りのない連続学習手法であるRETROFITを提案する。
干渉を軽減するために、独立部分空間にパラメータ変化を限定する低ランクかつスパースな更新を適用する。
時間的ドリフト下でのマルウェア検出では、CLベースラインよりも20.2%から38.6%の保持スコアが大幅に向上し、新しいデータに対するオラクルの上限を超える。
論文 参考訳（メタデータ） (2025-11-14T16:07:03Z) - EKPC: Elastic Knowledge Preservation and Compensation for Class-Incremental Learning [53.88000987041739]
クラスインクリメンタルラーニング(Class-Incremental Learning, CIL)は、AIモデルを、時間とともに異なるクラスのシーケンシャルに到着したデータから継続的に学習可能にすることを目的としている。
本稿では, 重要度を考慮した重要度正規化 (IPR) と CIL のためのトレーニング可能なセマンティックドリフト補償 (TSDC) を統合したElastic Knowledge Preservation and Compensation (EKPC) 法を提案する。
論文 参考訳（メタデータ） (2025-06-14T05:19:58Z) - Capturing User Interests from Data Streams for Continual Sequential Recommendation [20.994752789028958]
CSTRec(Continuous Sequential Transformer for Recommendation)を紹介する。
CSTRecは、保存状態の良い歴史的なものを活用することで、現在の利益に効果的に対応するように設計されている。
CSTRecは知識保持と獲得の両面で最先端のモデルを上回っている。
論文 参考訳（メタデータ） (2025-06-09T06:20:23Z) - Replay to Remember (R2R): An Efficient Uncertainty-driven Unsupervised Continual Learning Framework Using Generative Replay [1.5267291767316298]
継続学習は、以前獲得した知識を維持しながら、新しいデータから徐々に知識を取得する。
生成的リプレイ(Replay to Remember(R2R))」を用いた新しい不確実性駆動型教師なし連続学習フレームワークを提案する。
提案手法は,98.13%,73.06%,93.41%,95.18%,59.74%の最先端性能を達成した。
論文 参考訳（メタデータ） (2025-05-07T20:29:31Z) - Temporal-Difference Variational Continual Learning [77.92320830700797]
複数の先行推定の正則化効果を統合する新たな学習目標を提案する。
提案手法は, 変分CL法より優れたカタストロフィックフォーミングを効果的に緩和する。
論文 参考訳（メタデータ） (2024-10-10T10:58:41Z) - Contextual Squeeze-and-Excitation for Efficient Few-Shot Image
Classification [57.36281142038042]
本稿では,事前学習したニューラルネットワークを新しいタスクで調整し,性能を大幅に向上させる,Contextual Squeeze-and-Excitation (CaSE) という適応ブロックを提案する。
また、メタトレーニングされたCaSEブロックと微調整ルーチンを利用して効率よく適応する、アッパーCaSEと呼ばれるコーディネートダイスに基づく新しいトレーニングプロトコルを提案する。
論文 参考訳（メタデータ） (2022-06-20T15:25:08Z) - Towards Lifelong Learning of End-to-end ASR [81.15661413476221]
lifelong learningは、マシンが新しいデータセットから新しいタスクをシーケンシャルに学習できるようにすることを目的としている。
WERの28.7%の相対的な減少は、3つの非常に異なるベンチマークコーポラを順次学習する場合の微調整ベースラインと比較して達成された。
論文 参考訳（メタデータ） (2021-04-04T13:48:53Z) - ADER: Adaptively Distilled Exemplar Replay Towards Continual Learning
for Session-based Recommendation [28.22402119581332]
セッションベースのレコメンデーションは最近、プライバシーの懸念が高まり、注目を集めている。
本稿では,従来のトレーニングサンプルを定期的に再生することで,ADER(Adaptively Distilled Exemplar Replay)と呼ばれる手法を提案する。
ADERは他のベースラインを一貫して上回り、更新サイクル毎にすべての履歴データを使用してメソッドを上回ります。
論文 参考訳（メタデータ） (2020-07-23T13:19:53Z)
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。