論文の概要: FLAME: Condensing Ensemble Diversity into a Single Network for Efficient Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2604.04038v1
• Date: Sun, 05 Apr 2026 09:41:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.887038
• Title: FLAME: Condensing Ensemble Diversity into a Single Network for Efficient Sequential Recommendation
• Title（参考訳）: FLAME:効率的なシーケンスレコメンデーションのための単一ネットワークへのエンサンブル多様性の凝縮
• Authors: WooJoo Kim, JunYoung Kim, JaeHyung Lim, SeongJin Choi, SeongKu Kang, HwanJo Yu,
• Abstract要約: FLAMEは、効率的なシーケンシャルレコメンデーションのために、アンサンブルレベルの多様性を単一のネットワークに凝縮する新しいフレームワークである。 6つのデータセットの実験では、FLAMEは最先端のベースラインよりも優れていた。
• 参考スコア（独自算出の注目度）: 18.34589545845525
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Sequential recommendation requires capturing diverse user behaviors, which a single network often fails to capture. While ensemble methods mitigate this by leveraging multiple networks, training them all from scratch leads to high computational cost and instability from noisy mutual supervision. We propose {\bf F}rozen and {\bf L}earnable networks with {\bf A}ligned {\bf M}odular {\bf E}nsemble ({\bf FLAME}), a novel framework that condenses ensemble-level diversity into a single network for efficient sequential recommendation. During training, FLAME simulates exponential diversity using only two networks via {\it modular ensemble}. By decomposing each network into sub-modules (e.g., layers or blocks) and dynamically combining them, FLAME generates a rich space of diverse representation patterns. To stabilize this process, we pretrain and freeze one network to serve as a semantic anchor and employ {\it guided mutual learning}. This aligns the diverse representations into the space of the remaining learnable network, ensuring robust optimization. Consequently, at inference, FLAME utilizes only the learnable network, achieving ensemble-level performance with zero overhead compared to a single network. Experiments on six datasets show that FLAME outperforms state-of-the-art baselines, achieving up to 7.69$\times$ faster convergence and 9.70\% improvement in NDCG@20. We provide the source code of FLAME at https://github.com/woo-joo/FLAME_SIGIR26.
• Abstract（参考訳）: シーケンシャルなレコメンデーションでは、多様なユーザの振る舞いをキャプチャする必要がある。 アンサンブル法は、複数のネットワークを活用してこれを緩和する一方で、これらすべてをスクラッチからトレーニングすることで、ノイズの多い相互監視から高い計算コストと不安定性をもたらす。 本稿では,1つのネットワークにアンサンブルレベルの多様性を凝縮し,効率的なシーケンシャルレコメンデーションを実現する新しいフレームワークである {\bf F}rozen と {\bf L}earnable network with {\bf A}ligned {\bf M}odular {\bf E}nsemble ({\bf FLAME})を提案する。 トレーニング中、FLAMEは2つのネットワークのみを使用して指数的多様性をシミュレートする。 各ネットワークをサブモジュール(レイヤやブロックなど)に分解して動的に結合することにより、FLAMEは多様な表現パターンの豊富な空間を生成する。 このプロセスを安定させるために、我々は1つのネットワークを事前訓練し凍結し、セマンティックアンカーとして機能させ、相互学習を実践する。 これにより、多様な表現を残りの学習可能なネットワークの空間に整合させ、堅牢な最適化を保証する。 その結果、FLAMEは学習可能なネットワークのみを利用し、単一ネットワークに比べてオーバーヘッドがゼロのアンサンブルレベルの性能を実現する。 6つのデータセットの実験では、FLAMEは最先端のベースラインより優れており、NDCG@20では7.69$\times$高速収束と9.70\%の改善が達成されている。 FLAMEのソースコードはhttps://github.com/woo-joo/FLAME_SIGIR26で公開しています。

関連論文リスト

• QFlowNet: Fast, Diverse, and Efficient Unitary Synthesis with Generative Flow Networks [5.077782193180541]
  ユニタリ合成は量子コンパイルにおける根本的な課題である。 本稿では,GFlowNet(Generative Flow Network)とTransformerをペアにすることで,スパース信号から効率的に学習するフレームワークであるQFlowNetを提案する。
  論文  参考訳（メタデータ） (2026-03-03T14:38:05Z)
• Unrolled Neural Networks for Constrained Optimization [83.29547301151177]
  我々のフレームワークは、ラグランジアンのサドル点を共同で近似する2つの結合ニューラルネットワークで構成されている。 混合整数二次プログラムと無線ネットワークにおける電力配分に関する枠組みを数値的に評価する。
  論文  参考訳（メタデータ） (2026-01-24T03:12:41Z)
• Network Fission Ensembles for Low-Cost Self-Ensembles [20.103367702014474]
  NFE(Network Fission Ensembles)と呼ばれる低コストのアンサンブル学習と推論を提案する。 まず、トレーニングの負担を軽減するために、いくつかの重みを取り除きます。 次に、残りの重みを複数の集合に分けて、各集合を用いて複数の補助経路を作成し、複数の集合を構成する。
  論文  参考訳（メタデータ） (2024-08-05T08:23:59Z)
• Hierarchical Multi-Marginal Optimal Transport for Network Alignment [52.206006379563306]
  マルチネットワークアライメントは,複数ネットワーク上での協調学習に必須の要件である。 マルチネットワークアライメントのための階層型マルチマージ最適トランスポートフレームワークHOTを提案する。 提案するHOTは,有効性とスケーラビリティの両面で,最先端の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2023-10-06T02:35:35Z)
• MixMo: Mixing Multiple Inputs for Multiple Outputs via Deep Subnetworks [97.08677678499075]
  マルチインプットマルチアウトプットディープワークを学ぶための新しいフレームワークであるMixMoを紹介します。 機能、特にCutMixのパッチによるバイナリの混合は、ワークをより強く、より多様なものにすることによって、結果を向上します。 実装が容易で、推論にコストがかかることに加えて、我々のモデルはよりコストの高いデータ拡張深層アンサンブルよりも優れています。
  論文  参考訳（メタデータ） (2021-03-10T15:31:02Z)
• Manifold Regularized Dynamic Network Pruning [102.24146031250034]
  本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。 提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-10T03:59:03Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)

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。