論文の概要: RAIE: Region-Aware Incremental Preference Editing with LoRA for LLM-based Recommendation

• arxiv url: http://arxiv.org/abs/2603.00638v1
• Date: Sat, 28 Feb 2026 13:12:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.305125
• Title: RAIE: Region-Aware Incremental Preference Editing with LoRA for LLM-based Recommendation
• Title（参考訳）: RAIE: LLMに基づくレコメンデーションのためのLoRAを用いた地域対応インクリメンタル優先編集
• Authors: Jin Zeng, Yupeng Qi, Hui Li, Chengming Li, Ziyu Lyu, Lixin Cui, Lu Bai,
• Abstract要約: Region-Aware Incremental Editing (RAIE)は、バックボーンモデルを凍結し、リージョンレベルの更新を実行するプラグインフレームワークである。 RAIEはまず、表現空間における球k-平均を通して意味的にコヒーレントな嗜好領域を構築する。 次に、信頼を意識したゲーティングを通じて、受信したシーケンスをリージョンに割り当て、ローカル化された3つの編集操作を実行する – Update、Expand、Add。
• 参考スコア（独自算出の注目度）: 21.675403132351818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are increasingly adopted as the backbone of recommender systems. However, user-item interactions in real-world scenarios are non-stationary, making preference drift over time inevitable. Existing model update strategies mainly rely on global fine-tuning or pointwise editing, but they face two fundamental challenges: (i) imbalanced update granularity, where global updates perturb behaviors unrelated to the target while pointwise edits fail to capture broader preference shifts; (ii) unstable incremental updates, where repeated edits interfere with prior adaptations, leading to catastrophic forgetting and inconsistent recommendations. To address these issues, we propose Region-Aware Incremental Editing (RAIE), a plug-in framework that freezes the backbone model and performs region-level updates. RAIE first constructs semantically coherent preference regions via spherical k-means in the representation space. It then assigns incoming sequences to regions via confidence-aware gating and performs three localized edit operations - Update, Expand, and Add - to dynamically revise the affected region. Each region is equipped with a dedicated Low-Rank Adaptation (LoRA) module, which is trained only on the region's updated data. During inference, RAIE routes each user sequence to its corresponding region and activates the region-specific adapter for prediction. Experiments on two benchmark datasets under a time-sliced protocol that segments data into Set-up (S), Finetune (F), and Test (T) show that RAIE significantly outperforms state-of-the-art baselines while effectively mitigating forgetting. These results demonstrate that region-aware editing offers an accurate and scalable mechanism for continual adaptation in dynamic recommendation scenarios. Our code is available at https://github.com/fengaogao/RAIE.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、リコメンダシステムのバックボーンとしてますます採用されている。 しかし、現実世界のシナリオにおけるユーザとイテムの相互作用は静止しないため、時間の経過とともに好みのドリフトは避けられない。 既存のモデル更新戦略は、主にグローバルな微調整やポイントワイズ編集に依存しているが、それらは2つの根本的な課題に直面している。 (i)不均衡な更新の粒度であって、グローバルな更新の摂動行動がターゲットとは無関係であり、ポイントワイズ編集がより広範な好みのシフトを捉えることができないこと。 (II)不安定な漸進的な更新では、反復的な編集が事前適応に干渉し、破滅的な忘れ込みと矛盾したレコメンデーションにつながる。 これらの問題に対処するために、バックボーンモデルを凍結し、地域レベルの更新を行うプラグインフレームワークであるRerea-Aware Incremental Editing (RAIE)を提案する。 RAIEはまず、表現空間における球k-平均を通して意味的にコヒーレントな嗜好領域を構築する。 次に、信頼できるゲーティングを通じて入力シーケンスをリージョンに割り当て、ローカル化された3つの編集操作 – Update、Expand、Add – を実行して、影響を受けるリージョンを動的に更新する。 各リージョンはLoRA(Lo-Rank Adaptation)モジュールを備えている。 推論中、RAIEは各ユーザシーケンスを対応するリージョンにルーティングし、予測のためにリージョン固有のアダプタを起動する。 データセットをセットアップ(S)、ファインチューン(F)、テスト(T)に分割するタイムスライスされたプロトコルの下での2つのベンチマークデータセットの実験では、RAIEが最先端のベースラインを著しく上回り、忘れを効果的に軽減することを示した。 これらの結果は、動的レコメンデーションシナリオにおいて、領域認識編集が継続的な適応のための正確かつスケーラブルなメカニズムを提供することを示す。 私たちのコードはhttps://github.com/fengaogao/RAIE.comで公開されています。

関連論文リスト

• Predict the Retrieval! Test time adaptation for Retrieval Augmented Generation [66.36556189794526]
  TTARAGは、特殊ドメインにおけるRAGシステム性能を改善するために、推論中に言語モデルのパラメータを動的に更新するテスト時適応手法である。 提案手法では,モデルが検索した内容の予測を学習し,対象領域への自動パラメータ調整を可能にする。
  論文  参考訳（メタデータ） (2026-01-16T17:07:01Z)
• RePlan: Reasoning-guided Region Planning for Complex Instruction-based Image Editing [80.70169829264812]
  RePlanは、視覚言語プランナーと拡散エディタを結合した計画実行フレームワークである。 プランナーはステップバイステップの推論を通じて命令を分解し、ターゲット領域に明示的に配置する。 エディタはトレーニング不要のアテンションリージョンインジェクション機構を使用して変更を適用する。
  論文  参考訳（メタデータ） (2025-12-18T18:34:23Z)
• Provably Safe Model Updates [6.7544474785403885]
  確実に安全なモデル更新のためのフレームワークを導入します。 パラメータ化された抽象領域(orthotopes, zonotopes)に問題を緩和すると、抽出可能な原始双対の定式化が得られることを示す。 これにより、安全なドメインにプロジェクションすることで、更新(使用するデータやアルゴリズムに依存しない)の効率的な認証が可能になる。
  論文  参考訳（メタデータ） (2025-12-01T17:19:53Z)
• RegionE: Adaptive Region-Aware Generation for Efficient Image Editing [28.945176886517448]
  RegionEは、追加のトレーニングなしでIIEタスクを加速する適応型、リージョン対応の生成フレームワークである。 フレームワークは,1)適応領域分割,2)領域認識生成,3)適応速度劣化キャッシュの3つの主要コンポーネントから構成される。 我々はRereaEをStep1X-Edit、FLUX.1 Kontext、Qwen-Image-Editといった最先端IIEベースモデルに適用した。
  論文  参考訳（メタデータ） (2025-10-29T14:58:37Z)
• Watch Where You Move: Region-aware Dynamic Aggregation and Excitation for Gait Recognition [55.52723195212868]
  GaitRDAEは、自動的に動き領域を検索し、適応的な時間スケールを割り当て、対応する注意を向けるフレームワークである。 実験の結果、GaitRDAEはいくつかのベンチマークデータセットで最先端のパフォーマンスを達成することがわかった。
  論文  参考訳（メタデータ） (2025-10-18T15:36:08Z)
• Towards Generalized Range-View LiDAR Segmentation in Adverse Weather [65.22588361803942]
  我々は、厳しい天候下でのLiDARセグメンテーションの一般化に影響を及ぼす固有の課題を特定し、分析する。 既存のモデルのコアアーキテクチャを変更することなく、ロバスト性を高めるモジュール式で軽量なフレームワークを提案する。 提案手法は,推定オーバーヘッドを最小限に抑え,悪天候への一般化を著しく改善する。
  論文  参考訳（メタデータ） (2025-06-10T16:48:27Z)
• DISCO Balances the Scales: Adaptive Domain- and Difficulty-Aware Reinforcement Learning on Imbalanced Data [65.09939942413651]
  本稿では,グループ間不均衡と2つの重要なイノベーションに対処するGRPOの原理的拡張を提案する。 ドメイン対応報酬スケーリングは、ドメインの頻度に基づいて最適化を再重み付けすることで周波数バイアスに対処する。 難解な報酬のスケーリングは、学習価値を提供する不確実なプロンプトを特定し、優先順位付けするために、プロンプトレベルの自己整合性を活用する。
  論文  参考訳（メタデータ） (2025-05-21T03:43:29Z)
• LogoRA: Local-Global Representation Alignment for Robust Time Series Classification [31.704294005809082]
  時系列の教師なしドメイン適応(UDA)は、様々な時間的シナリオで一貫したパターンを特定するモデルを教えることを目的としている。 既存のUDA手法では,時系列データにおけるグローバルな特徴とローカルな特徴を適切に抽出・整合させることが困難である。 マルチスケールの畳み込み分岐とパッチングトランスフォーマー分岐からなる2分岐エンコーダを用いたローカル・グローバル表現アライメントフレームワーク(LogoRA)を提案する。 4つの時系列データセットに対する評価は、LogoRAが最大12.52%の高ベースラインを上回り、時系列UDAタスクにおいてその優位性を示していることを示している。
  論文  参考訳（メタデータ） (2024-09-12T13:59:03Z)
• Adaptive Spot-Guided Transformer for Consistent Local Feature Matching [64.30749838423922]
  局所的特徴マッチングのための適応スポットガイド変換器(ASTR)を提案する。 ASTRは、統一された粗いアーキテクチャにおける局所的な一貫性とスケールのバリエーションをモデル化する。
  論文  参考訳（メタデータ） (2023-03-29T12:28:01Z)
• Self-supervised Autoregressive Domain Adaptation for Time Series Data [9.75443057146649]
  教師なしドメイン適応(UDA)は、視覚アプリケーションにおけるドメインシフト問題にうまく対処している。 これらの手法は、以下の理由により時系列データのパフォーマンスが制限される可能性がある。 本稿では,これらの制約に対処するための自己監督型自己回帰ドメイン適応(SLARDA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-29T08:17:23Z)
• Region Invariant Normalizing Flows for Mobility Transfer [3.776855783688713]
  本稿では,連続時間位置予測のためのREFORMDという新しい移動学習フレームワークを提案する。 MTPPおよび時空間流の領域特異的チェインダイナミクスの進化を捉えた。 本モデルでは, 連続時間列のモデル化における最先端手法を著しく上回っている。
  論文  参考訳（メタデータ） (2021-09-13T06:54:08Z)

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。