論文の概要: Efficient Dataset Selection for Continual Adaptation of Generative Recommenders

• arxiv url: http://arxiv.org/abs/2604.07739v1
• Date: Thu, 09 Apr 2026 02:48:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.649498
• Title: Efficient Dataset Selection for Continual Adaptation of Generative Recommenders
• Title（参考訳）: 生成レコメンダの継続的な適応のための効率的なデータセット選択
• Authors: Cathy Jiao, Juan Elenter, Praveen Ravichandran, Bernd Huber, Joseph Cauteruccio, Todd Wasson, Timothy Heath, Chenyan Xiong, Mounia Lalmas, Paul Bennett,
• Abstract要約: 本研究では,時間分布のドリフトによる性能劣化を緩和する手法を提案する。 ユーザインタラクションデータの小さいが情報に富むサブセットをキュレートするための表現選択とサンプリング戦略について検討する。
• 参考スコア（独自算出の注目度）: 19.8068072624233
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommendation systems must continuously adapt to evolving user behavior, yet the volume of data generated in large-scale streaming environments makes frequent full retraining impractical. This work investigates how targeted data selection can mitigate performance degradation caused by temporal distributional drift while maintaining scalability. We evaluate a range of representation choices and sampling strategies for curating small but informative subsets of user interaction data. Our results demonstrate that gradient-based representations, coupled with distribution-matching, improve downstream model performance, achieving training efficiency gains while preserving robustness to drift. These findings highlight data curation as a practical mechanism for scalable monitoring and adaptive model updates in production-scale recommendation systems.
• Abstract（参考訳）: 推薦システムは、進化するユーザの行動に継続的に適応する必要があるが、大規模ストリーミング環境で生成されたデータの量は、フルリトレーニングを頻繁に非現実的にする。 本研究は, 拡張性を維持しつつ, 時間分布ドリフトによる性能劣化を緩和する方法について検討する。 ユーザインタラクションデータの小さいが情報に富むサブセットをキュレートするための表現選択とサンプリング戦略について検討する。 実験の結果,勾配に基づく表現と分布マッチングが相まって,下流モデルの性能が向上し,ドリフトの堅牢性を維持しつつ,トレーニング効率の向上が達成された。 これらの知見は,大規模レコメンデーションシステムにおいて,スケーラブルなモニタリングと適応モデル更新のための実践的なメカニズムとしてデータキュレーションを強調した。

関連論文リスト

• TRACE: A Generalizable Drift Detector for Streaming Data-Driven Optimization [18.46974867492826]
  多くの最適化タスクには、未知の概念ドリフトによるストリーミングデータが含まれており、Streaming Data-Driven Optimization (SDDO)として大きな課題となっている。 本稿では,Transferable Concept-drift Estimatorを提案する。Transferable Concept-drift Estimatorは,時間スケールの異なるストリーミングデータの分布変化を効果的に検出する。 多様なベンチマークに関する総合的な実験結果は、SDDOシナリオにおける我々のアプローチの優れた一般化、堅牢性、有効性を示している。
  論文  参考訳（メタデータ） (2025-12-08T01:33:16Z)
• Factor Decorrelation Enhanced Data Removal from Deep Predictive Models [19.35464160096721]
  ユーザのプライバシ保護と規制コンプライアンスの義務は、モデルトレーニングにおける機密データ削除を必要とする。 本稿では,係数のデコレーションと損失摂動による深部予測モデルを強化する新しいデータ除去手法を提案する。
  論文  参考訳（メタデータ） (2025-09-27T18:23:21Z)
• Sequential Data Augmentation for Generative Recommendation [54.765568804267645]
  生成的レコメンデーションはパーソナライズされたシステムにおいて重要な役割を担い、ユーザの将来のインタラクションを過去の行動シーケンスから予測する。 データ拡張(Data augmentation)は、ユーザインタラクション履歴からトレーニングデータを構築するプロセスである。 我々は、サンプリングプロセスとして拡張をモデル化し、その結果のトレーニング分布の柔軟な制御を可能にする、原則化されたフレームワークであるGenPASを提案する。 ベンチマークと産業データセットを用いた実験により、GenPASは既存の戦略よりも精度、データ効率、パラメータ効率が優れていることが示された。
  論文  参考訳（メタデータ） (2025-09-17T02:53:25Z)
• Exploring Training and Inference Scaling Laws in Generative Retrieval [50.82554729023865]
  生成検索は、検索を自己回帰生成タスクとして再構成し、大きな言語モデルがクエリから直接ターゲット文書を生成する。 生成的検索におけるトレーニングと推論のスケーリング法則を体系的に検討し,モデルのサイズ,トレーニングデータスケール,推論時間計算が協調的に性能に与える影響について検討した。
  論文  参考訳（メタデータ） (2025-03-24T17:59:03Z)
• A Scalable Approach to Covariate and Concept Drift Management via Adaptive Data Segmentation [0.562479170374811]
  多くの現実世界のアプリケーションでは、継続的機械学習(ML)システムは不可欠だが、データドリフトが困難である。 伝統的なドリフト適応法は典型的にはアンサンブル技術を用いてモデルを更新し、しばしばドリフトされた歴史データを破棄する。 ドリフトしたデータをモデルトレーニングプロセスに明示的に組み込むことは、モデルの精度と堅牢性を大幅に向上させる、と我々は主張する。
  論文  参考訳（メタデータ） (2024-11-23T17:35:23Z)
• SUDS: A Strategy for Unsupervised Drift Sampling [0.5437605013181142]
  監視された機械学習は、データ分散が時間とともに変化するコンセプトドリフトに遭遇し、パフォーマンスが低下する。 本稿では,既存のドリフト検出アルゴリズムを用いて,同種サンプルを選択する新しい手法であるドリフトサンプリング戦略(SUDS)を提案する。 本研究は, 動的環境におけるラベル付きデータ利用の最適化におけるSUDSの有効性を示すものである。
  論文  参考訳（メタデータ） (2024-11-05T10:55:29Z)
• Improving the Transferability of Time Series Forecasting with Decomposition Adaptation [14.09967794482993]
  時系列予測では、十分なデータを得るのは難しいため、ニューラル予測モデルの性能が制限される。 データ不足の制限を軽減するため、SeDAN(Sequence Decomposition Adaptation Network)を設計する。 SeDANは、クロスドメインデータセットからの転送可能な知識を調整することで、ターゲットドメインでの予測性能を改善するための、新しい転送アーキテクチャである。
  論文  参考訳（メタデータ） (2023-06-30T18:12:22Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• Negative Data Augmentation [127.28042046152954]
  負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。 我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。 実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
  論文  参考訳（メタデータ） (2021-02-09T20:28:35Z)

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。