論文の概要: Personalized Federated Sequential Recommender

• arxiv url: http://arxiv.org/abs/2603.22349v1
• Date: Sun, 22 Mar 2026 07:56:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.087699
• Title: Personalized Federated Sequential Recommender
• Title（参考訳）: 個人化Federated Sequential Recommender
• Authors: Yicheng Di,
• Abstract要約: 我々はPersonalized Federated Sequential Recommender (PFSR)を提案する。 グローバルな視点からユーザプロファイルをキャプチャするために、Associative Mamba Blockが導入されている。 ユーザのニーズに応じてパラメータの微調整を可能にする可変応答機構を開発した。
• 参考スコア（独自算出の注目度）: 1.827510863075184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the domain of consumer electronics, personalized sequential recommendation has emerged as a central task. Current methodologies in this field are largely centered on modeling user behavior and have achieved notable performance. Nevertheless, the inherent quadratic computational complexity typical of most existing approaches often leads to inefficiencies that hinder real-time recommendation. Moreover, these methods face challenges in being effectively adapted to the personalized requirements of users across diverse scenarios. To tackle these issues, we propose the Personalized Federated Sequential Recommender (PFSR). In this framework, an Associative Mamba Block is introduced to capture user profiles from a global perspective while improving prediction efficiency. In addition, a Variable Response Mechanism is developed to enable fine-tuning of parameters in accordance with individual user needs. A Dynamic Magnitude Loss is further devised to preserve greater amounts of localized personalized information throughout the training process.
• Abstract（参考訳）: 家電の分野では、パーソナライズされたシーケンシャルなレコメンデーションが中心的課題となっている。 この分野での現在の方法論は、主にユーザの振る舞いをモデル化することに集中しており、顕著なパフォーマンスを実現している。 それでも、既存のアプローチの典型的な2次計算の複雑さは、しばしばリアルタイムの推奨を妨げる非効率性をもたらす。 さらに、これらの手法は、多様なシナリオにまたがるユーザのパーソナライズされた要求に効果的に適応する上で、課題に直面している。 これらの課題に対処するために、Personalized Federated Sequential Recommender (PFSR)を提案する。 このフレームワークでは、Associative Mamba Blockを導入し、グローバルな視点からユーザプロファイルをキャプチャし、予測効率を向上する。 さらに,個々のユーザのニーズに応じてパラメータの微調整を可能にする可変応答機構を開発した。 ダイナミック・マグニチュード・ロス(Dynamic Magnitude Loss)は、トレーニングプロセス全体を通して、より多くの局所化されたパーソナライズされた情報を保存するためにさらに考案される。

関連論文リスト

• Synthetic Interaction Data for Scalable Personalization in Large Language Models [67.31884245564086]
  本稿ではPersonaGymという高忠実な合成データ生成フレームワークを紹介する。 パーソナライゼーションを静的なペルソナ-参照ペアとして扱う以前の作業とは異なり、PersonaGymは動的な選好プロセスをモデル化する。 我々は,高忠実度マルチターンパーソナライズされたインタラクショントラジェクトリの大規模かつ高品質で多様な合成データセットであるPersonaAtlasをリリースする。
  論文  参考訳（メタデータ） (2026-02-12T20:41:22Z)
• RecNet: Self-Evolving Preference Propagation for Agentic Recommender Systems [109.9061591263748]
  RecNetは、レコメンデータシステムのための自己進化的な好みの伝達フレームワークである。 関連ユーザやアイテム間で、リアルタイムの好み更新を積極的に伝達する。 逆相では、フィードバック駆動の伝搬最適化機構がマルチエージェント強化学習フレームワークをシミュレートする。
  論文  参考訳（メタデータ） (2026-01-29T12:14:31Z)
• One Adapts to Any: Meta Reward Modeling for Personalized LLM Alignment [55.86333374784959]
  これらの制約に対処するには、データの適合からユーザの好みを学習し、嗜好適応のプロセスを学ぶためのパラダイムシフトが必要である、と我々は主張する。 メタ学習問題としてパーソナライズされた報酬モデルを変更するメタリワードモデリング(MRM)を提案する。 MRMはパーソナライズを強化し、ユーザの堅牢性を向上し、ベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-01-26T17:55:52Z)
• Tree of Preferences for Diversified Recommendation [54.183647833064136]
  データバイアスの観点から、多種多様な推薦について検討する。 本研究では,世界知識を活用したゼロショット推論における大規模言語モデル(LLM)の卓越した性能に着想を得て,新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-24T04:13:17Z)
• Personalized Reasoning: Just-In-Time Personalization and Why LLMs Fail At It [81.50711040539566]
  現在の大規模言語モデル(LLM)開発は、タスク解決と優先順位調整を別の課題として扱う。 静的ベンチマークを対話型パーソナライズタスクに変換する評価手法であるPreFDISCOを紹介する。 我々のフレームワークは、ユーザコンテキストに応じて、同じ質問が異なる推論チェーンを必要とするシナリオを作成します。
  論文  参考訳（メタデータ） (2025-09-30T18:55:28Z)
• Churn-Aware Recommendation Planning under Aggregated Preference Feedback [6.261444979025644]
  本稿では,近年の規制と技術の変化を動機とした逐次的意思決定問題について考察する。 我々はRec-APCモデルを導入し、匿名ユーザを既知の先行ユーザ型から抽出する。 最適ポリシが有限時間で純粋な利用に収束することを証明し、それらを効率的に計算するための分岐とバウンドのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-06T19:22:47Z)
• Modeling Churn in Recommender Systems with Aggregated Preferences [6.261444979025644]
  本稿では,集約されたユーザ情報を活用し,混乱リスクを軽減するという2つの課題に対処するモデルを提案する。 本モデルでは,ユーザタイプに対する確率的事前確率と,各種コンテンツタイプに対する満足度を推定する。
  論文  参考訳（メタデータ） (2025-02-09T13:12:11Z)
• Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
  推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。 通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。 RFRecFの強靭性は、多様なベースラインに比べて優れている。
  論文  参考訳（メタデータ） (2024-11-03T12:10:20Z)
• PP-TIL: Personalized Planning for Autonomous Driving with Instance-based Transfer Imitation Learning [4.533437433261497]
  個人化された動作計画のためのインスタンスベースの伝達模倣学習手法を提案する。 ユーザ・デモからスタイル特徴分布を抽出し、ユーザ・スタイルの近似の正規化項を構築する。 本手法は,基本手法と比較して,スパースユーザデータによるオーバーフィッティング問題を緩和する。
  論文  参考訳（メタデータ） (2024-07-26T07:51:11Z)

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。