論文の概要: How Well Does Generative Recommendation Generalize?

• arxiv url: http://arxiv.org/abs/2603.19809v1
• Date: Fri, 20 Mar 2026 09:48:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.094789
• Title: How Well Does Generative Recommendation Generalize?
• Title（参考訳）: ジェネレーティブレコメンデーションはどのように一般化されるのか?
• Authors: Yijie Ding, Zitian Guo, Jiacheng Li, Letian Peng, Shuai Shao, Wei Shao, Xiaoqiang Luo, Luke Simon, Jingbo Shang, Julian McAuley, Yupeng Hou,
• Abstract要約: 一般化を必要とするインスタンスに対して、生成的レコメンデーションモデルがより優れた性能を発揮することを示す。 また、メモリ化がより重要である場合、アイテムIDベースのモデルの性能が向上することを示す。 本稿では,各インスタンスごとに適応的に組み合わせた記憶認識指標を提案する。
• 参考スコア（独自算出の注目度）: 61.92318342212389
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A widely held hypothesis for why generative recommendation (GR) models outperform conventional item ID-based models is that they generalize better. However, there is few systematic way to verify this hypothesis beyond a superficial comparison of overall performance. To address this gap, we categorize each data instance based on the specific capability required for a correct prediction: either memorization (reusing item transition patterns observed during training) or generalization (composing known patterns to predict unseen item transitions). Extensive experiments show that GR models perform better on instances that require generalization, whereas item ID-based models perform better when memorization is more important. To explain this divergence, we shift the analysis from the item level to the token level and show that what appears to be item-level generalization often reduces to token-level memorization for GR models. Finally, we show that the two paradigms are complementary. We propose a simple memorization-aware indicator that adaptively combines them on a per-instance basis, leading to improved overall recommendation performance.
• Abstract（参考訳）: ジェネレーティブレコメンデーション(GR)モデルが従来のアイテムIDベースモデルより優れている理由の仮説として広く支持されている。 しかし、この仮説を全体性能の表層的な比較を超えて検証する体系的な方法はほとんどない。 このギャップに対処するため、各データインスタンスは、記憶(トレーニング中に観察された項目遷移パターンを再利用)または一般化(未知の項目遷移を予測するために既知のパターンを合成)という、正しい予測に必要な特定の能力に基づいて分類する。 広範囲な実験により、GRモデルは一般化を必要とするインスタンスでより優れた性能を示す一方、アイテムIDベースのモデルは記憶がより重要である場合により優れた性能を示すことが示された。 この分散を説明するために、アイテムレベルからトークンレベルへ解析をシフトし、アイテムレベル一般化のように見えるものがGRモデルのトークンレベル記憶に還元されることがしばしば示される。 最後に、2つのパラダイムが相補的であることを示す。 本稿では,インスタンス毎に適応的に組み合わせたシンプルな記憶認識指標を提案し,全体的なレコメンデーション性能を向上する。

関連論文リスト

• On the Out-of-Distribution Generalization of Reasoning in Multimodal LLMs for Simple Visual Planning Tasks [56.98385132295952]
  簡単な計画課題において,チェーン・オブ・ソート・アプローチがいかに一般化するかを評価する。 複数のテキスト形式を組み合わせた推論トレースが、最高の(かつ非自明な)OOD一般化をもたらすことが分かりました。 純粋にテキストベースのモデルは、画像ベースの入力を利用するモデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-02-17T09:51:40Z)
• Bigger Isn't Always Memorizing: Early Stopping Overparameterized Diffusion Models [56.032091696552094]
  自然データ領域の一般化は、記憶の開始前に訓練中に徐々に達成される。 一般化対メモ化は、時間スケール間の競合として最もよく理解される。 この現象学は,確率論的文脈自由文法をランダムな規則で学習する拡散モデルにおいて復元されることを示す。
  論文  参考訳（メタデータ） (2025-05-22T17:40:08Z)
• UniArk: Improving Generalisation and Consistency for Factual Knowledge Extraction through Debiasing [19.2764682793582]
  本研究は,言語モデルにおける事前学習目標と下流学習目標との相違点を示す。 汎用的で一貫した事実知識抽出のためのアダプタベースのフレームワークUniArkを提案する。
  論文  参考訳（メタデータ） (2024-04-01T17:22:07Z)
• Memory Consistency Guided Divide-and-Conquer Learning for Generalized Category Discovery [56.172872410834664]
  一般カテゴリー発見(GCD)は、半教師付き学習のより現実的で挑戦的な設定に対処することを目的としている。 メモリ一貫性を誘導する分枝・分枝学習フレームワーク(MCDL)を提案する。 本手法は,画像認識の目に見えるクラスと見えないクラスの両方において,最先端のモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-24T09:39:45Z)
• It Ain't That Bad: Understanding the Mysterious Performance Drop in OOD Generalization for Generative Transformer Models [6.065846799248359]
  大規模言語モデル (LLM) は多様な問題を解決するのに優れた能力を発揮している。 しかし、それらの一般化能力は必ずしも満足しておらず、一般化問題は一般に生成トランスモデルに共通である。 n-digit操作のトレーニングモデルでは,n-digit入力に対してモデルが正常に一般化されるが,もっと長い,見えないケースではフェールすることを示す。
  論文  参考訳（メタデータ） (2023-08-16T10:09:42Z)
• Identifiability of deep generative models under mixture priors without auxiliary information [34.191553176662325]
  我々は、普遍近似能力を持つ深層潜伏変数モデルのクラスを識別可能であることを証明した。 我々の分析は、弱い監督、補助情報、潜在空間における条件付けを必要としない。
  論文  参考訳（メタデータ） (2022-06-20T23:24:48Z)
• Robustness to Augmentations as a Generalization metric [0.0]
  一般化とは、目に見えないドメインを予測するモデルの能力です。 拡張に頑健なモデルは、そうでないモデルよりも一般化可能であるという概念を用いて、モデルの一般化性能を予測する手法を提案する。 提案手法は、ディープラーニングにおける一般化予測に関するNeurIPSコンペティションの最初のランナーアップソリューションであった。
  論文  参考訳（メタデータ） (2021-01-16T15:36:38Z)

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。