論文の概要: RecBundle: A Next-Generation Geometric Paradigm for Explainable Recommender Systems

• arxiv url: http://arxiv.org/abs/2603.16088v1
• Date: Tue, 17 Mar 2026 03:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.084986
• Title: RecBundle: A Next-Generation Geometric Paradigm for Explainable Recommender Systems
• Title（参考訳）: RecBundle: 説明可能なレコメンダシステムのための次世代幾何学パラダイム
• Authors: Hui Wang, Tianzhu Hu, Mingming Li, Xi Zhou, Chun Gan, Jiao Dai, Jizhong Han, Songlin Hu, Tao Guo,
• Abstract要約: 本稿では,現代の微分幾何学からFiber Bundleを導入し,レコメンダシステムのための新しい幾何学的解析パラダイムを提案する。 そこで我々は,次世代レコメンデータシステムを対象としたフレームワークRecBundleを構築した。
• 参考スコア（独自算出の注目度）: 37.18720315591006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems are inherently dynamic feedback loops where prolonged local interactions accumulate into macroscopic structural degradation such as information cocoons. Existing representation learning paradigms are universally constrained by the assumption of a single flat space, forcing topologically grounded user associations and semantically driven historical interactions to be fitted within the same vector space. This excessive coupling of heterogeneous information renders it impossible for researchers to mechanistically distinguish and identify the sources of systemic bias. To overcome this theoretical bottleneck, we introduce Fiber Bundle from modern differential geometry and propose a novel geometric analysis paradigm for recommender systems. This theory naturally decouples the system space into two hierarchical layers: the base manifold formed by user interaction networks, and the fibers attached to individual user nodes that carry their dynamic preferences. Building upon this, we construct RecBundle, a framework oriented toward next-generation recommender systems that formalizes user collaboration as geometric connection and parallel transport on the base manifold, while mapping content evolution to holonomy transformations on fibers. From this foundation, we identify future application directions encompassing quantitative mechanisms for information cocoons and evolutionary bias, geometric meta-theory for adaptive recommendation, and novel inference architectures integrating large language models (LLMs). Empirical analysis on real-world MovieLens and Amazon Beauty datasets validates the effectiveness of this geometric framework.
• Abstract（参考訳）: リコメンダーシステムは本質的に動的フィードバックループであり、長い局所的な相互作用が情報ココーンのようなマクロ的な構造劣化に蓄積される。 既存の表現学習パラダイムは、単一の平坦空間の仮定によって普遍的に制約され、トポロジカルな基底を持つユーザアソシエーションと意味的に駆動された歴史的相互作用は、同じベクトル空間に収まるように強制される。 この不均一な情報の過剰な結合は、研究者がシステムバイアスの原因を機械的に識別し識別することは不可能である。 この理論的ボトルネックを克服するために、現代の微分幾何学からFiber Bundleを導入し、リコメンダシステムのための新しい幾何学的解析パラダイムを提案する。 この理論は、システム空間を、ユーザインタラクションネットワークによって形成されたベース多様体と、動的嗜好を持つ個々のユーザノードにアタッチされたファイバーの2つの階層層に自然に分離する。 そこで我々はRecBundleという次世代レコメンデータシステムに向けたフレームワークを構築し,繊維上のホロノミー変換にコンテンツ進化をマッピングしながら,ユーザコラボレーションを幾何学的接続および基本多様体上の平行移動として形式化する。 本研究では,情報ココーンと進化バイアスの量的メカニズム,適応的推薦のための幾何学的メタ理論,大規模言語モデル(LLM)を統合した新しい推論アーキテクチャなどを含む今後の応用方向を明らかにする。 実世界のMovieLensとAmazon Beautyデータセットに関する実証分析は、この幾何学的フレームワークの有効性を検証する。

関連論文リスト

• On the Impact of Graph Neural Networks in Recommender Systems: A Topological Perspective [49.391877616394765]
  レコメンデーションシステムでは、ユーザと項目の相互作用を二部グラフとしてモデル化することができる。 このグラフに基づくビューは、グラフニューラルネットワーク(GNN)の急速な採用を動機付けている。 実証的な成功にもかかわらず、GNNが他のアプローチに対して体系的な優位性を提供する理由は、まだ部分的にしか理解されていない。
  論文  参考訳（メタデータ） (2025-12-08T10:19:43Z)
• GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
  テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。 本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-11-12T06:48:43Z)
• Learning Topology-Driven Multi-Subspace Fusion for Grassmannian Deep Network [31.003374497881968]
  グラスマン多様体は幾何学的表現学習のための強力なキャリアを提供する。 本稿では,グラスマン多様体上での適応的部分空間協調を実現するトポロジ駆動型多部分空間融合フレームワークを提案する。 我々の研究は幾何学的深層学習を推進し、ユークリッドネットワークの証明されたマルチチャネル相互作用の哲学を非ユークリッド領域に適用する。
  論文  参考訳（メタデータ） (2025-11-09T10:33:13Z)
• Learning Geometry: A Framework for Building Adaptive Manifold Models through Metric Optimization [8.201374511929538]
  本稿では,従来のパラメータ最適化を超越した機械学習のパラダイムを提案する。 既定位相を持つ多様体上の計量テンソル場を最適化することにより、モデル空間の幾何学的構造を動的に形成する。 この研究は、その幾何学とトポロジーを自律的に進化させることができる完全にダイナミックな「メタ・ラーナー」を構築するための確固たる基礎を築いた。
  論文  参考訳（メタデータ） (2025-10-30T01:53:32Z)
• Physics-Informed Neural Networks for MIMO Beam Map and Environment Reconstruction [67.65578956523403]
  ネットワークインテリジェンスを用いて物理層計測をブリッジするための重要な手法として,チャネル状態情報(CSI)からの幾何学的特徴抽出が出現する。 本稿では, 受信信号強度(RSS)データを3次元環境知識なしで探索し, 放射光マップと環境幾何学を共同構築することを提案する。 反射領域に基づく幾何モデルを含む物理インフォームドディープラーニングフレームワークを提案し, ブロック, 反射, 散乱成分の学習を行った。
  論文  参考訳（メタデータ） (2025-10-24T08:17:14Z)
• Adaptive Riemannian Graph Neural Networks [29.859977834688625]
  グラフ上の連続および異方性計量テンソル場を学習する新しいフレームワークを導入する。 これにより各ノードがその最適な局所幾何学を決定でき、モデルがグラフの構造的景観に流動的に適応できる。 本手法は, ヘテロ親和性ベンチマークとホモ親和性ベンチマークの双方において, 優れた性能を示す。
  論文  参考訳（メタデータ） (2025-08-04T16:55:02Z)
• AMCAD: Adaptive Mixed-Curvature Representation based Advertisement Retrieval System [18.07821800367287]
  非ユークリッド空間における複素および異種グラフ構造を自動的にキャプチャするウェブスケール適応型混合グラフ広告検索システム(AMCAD)を提案する。 ユーザ数億の最大のeコマースプラットフォームであるTaobaoにAMCADをデプロイするために,効率的な2層オンライン検索フレームワークを設計する。
  論文  参考訳（メタデータ） (2022-03-28T12:29:30Z)
• Geometric Methods for Sampling, Optimisation, Inference and Adaptive Agents [102.42623636238399]
  我々は,サンプリング,最適化,推論,適応的意思決定といった問題に根ざした基本的な幾何学的構造を同定する。 これらの問題を効率的に解くためにこれらの幾何学的構造を利用するアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2022-03-20T16:23:17Z)
• Optimization on manifolds: A symplectic approach [127.54402681305629]
  本稿では、最適化問題を解くための一般的な枠組みとして、ディラックの制約付きハミルトン系理論の散逸拡張を提案する。 我々の(加速された)アルゴリズムのクラスは単純で効率的なだけでなく、幅広い文脈にも適用できる。
  論文  参考訳（メタデータ） (2021-07-23T13:43:34Z)

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。