論文の概要: Rethinking Semantic Collaborative Integration: Why Alignment Is Not Enough

• arxiv url: http://arxiv.org/abs/2604.22195v1
• Date: Fri, 24 Apr 2026 03:47:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.333737
• Title: Rethinking Semantic Collaborative Integration: Why Alignment Is Not Enough
• Title（参考訳）: セマンティックなコラボレーティブな統合を再考する:アライメントが不十分な理由
• Authors: Maolin Wang, Dongze Wu, Jianing Zhou, Hongyu Chen, Beining Bao, Yu Jiang, Chenbin Zhang, Chang Wang, Jian Liu, Lei Sha,
• Abstract要約: 大規模言語モデル(LLM)はレコメンデーションシステムにとって重要な意味的基盤となっている。 我々は、グローバルな低複雑さアライメント仮説を定式化し、それは必要以上に強く、しばしば現実世界のレコメンデーション設定と構造的にミスマッチしていると主張する。 本稿では,意味的・協調的な表現を部分的に共有されるが,基本的には異質な視点として扱う相補的視点を提案する。
• 参考スコア（独自算出の注目度）: 23.86079699614653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have become an important semantic infrastructure for modern recommender systems. A prevailing paradigm integrates LLM-derived semantic embeddings with collaborative representations via representation alignment, implicitly assuming that the two views encode a shared latent entity and that stronger alignment yields better results. We formalize this assumption as the global low-complexity alignment hypothesis and argue that it is stronger than necessary and often structurally mismatched with real-world recommendation settings. We propose a complementary perspective in which semantic and collaborative representations are treated as partially shared yet fundamentally heterogeneous views, each containing both shared and view-specific factors. Under this shared-plus-private latent structure, enforcing global geometric alignment may distort local structure, suppress view-specific signals, and reduce informational diversity. To support this perspective, we develop complementarity-aware diagnostics that quantify overlap, unique-hit contribution, and theoretical fusion upper bounds. Empirical analyses on sparse recommendation benchmarks reveal low item-level agreement between semantic and collaborative views and substantial oracle fusion gains, indicating strong complementarity. Furthermore, controlled alignment probes show that low-capacity mappings capture only shared components and fail to recover full collaborative geometry, especially under distribution shift. These findings suggest that alignment should not be treated as the default integration principle. We advocate a shift from alignment-centric modeling to complementarity fusion-centric, complementarity-aware design, where shared factors are selectively integrated while private signals are preserved. This reframing provides a principled foundation for the next generation of LLM-enhanced recommender systems.
• Abstract（参考訳）: 大規模言語モデル(LLM)は現代のレコメンデータシステムにとって重要な意味的基盤となっている。 一般的なパラダイムは、LLM由来のセマンティック埋め込みを表現アライメントを通じて協調表現と統合し、2つのビューが共有潜在エンティティを符号化し、より強力なアライメントがより良い結果をもたらすことを暗黙的に仮定する。 我々は、この仮定をグローバルな低複雑さアライメント仮説として定式化し、必要以上に強く、しばしば現実世界のレコメンデーション設定と構造的にミスマッチしていると主張する。 本稿では,意味的表現と協調的表現を部分的に共有されるが,基本的に異種な視点として扱う補完的視点を提案する。 この共有されたプライベートな潜在構造の下では、グローバルな幾何学的アライメントが局所構造を歪め、ビュー固有の信号を抑制し、情報の多様性を減らすことができる。 この視点を支持するために,重なり合い,一意的な貢献,理論融合の上界を定量化する相補性認識診断法を開発した。 スパース・レコメンデーション・ベンチマークの実証分析では、セマンティック・コラボレーティブ・ビューと実質的なオラクル融合ゲインの項目レベルの一致が低く、強い相補性を示している。 さらに、制御されたアライメントプローブは、低容量マッピングが共有コンポーネントのみをキャプチャし、特に分散シフト下での完全なコラボレーティブな幾何学を回復できないことを示す。 これらの結果は、アライメントをデフォルトの統合原則として扱うべきではないことを示唆している。 我々は、共有因子が選択的に統合され、プライベート信号が保存されるような、アライメント中心モデリングから相補性融合中心の相補性認識設計への移行を提唱する。 このリフレーミングは、次世代のLLM強化レコメンデーションシステムの基礎となる。

関連論文リスト

• Hyperbolic Enhanced Representation Learning for Incomplete Multi-view Clustering [57.38215918201251]
  本稿では,不完全なマルチビュークラスタリングのためのハイパーボリック拡張表現学習フレームワークであるHERLを提案する。 ポアンカレボール内で操作すると、HERLは表現学習を強化するために構造を意識した潜在空間を構築する。 HERLは最先端のアプローチよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-18T10:50:46Z)
• Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
  WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。 クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
  論文  参考訳（メタデータ） (2026-04-07T13:18:31Z)
• Beyond the Academic Monoculture: A Unified Framework and Industrial Perspective for Attributed Graph Clustering [75.50670592447219]
  分散グラフクラスタリング(AGC)は、構造トポロジとノード属性を共同でモデル化することによって、ノードを凝集性グループに分割する基本的な教師なしタスクである。 この調査は、3つの相補的な視点からAGCを包括的かつ工業的に基礎づけたレビューを提供する。
  論文  参考訳（メタデータ） (2026-03-21T14:15:34Z)
• Ego to World: Collaborative Spatial Reasoning in Embodied Systems via Reinforcement Learning [61.753025885751036]
  本稿では,3つのタスクにまたがる異種視点を融合する視覚言語モデルの能力を評価するEgo-to-Worldベンチマークを提案する。 我々は,2段階のフレームワークであるCoRLを提案し,チェイン・オブ・ソート(Chain-of-Thought)を教師付き微調整と強化学習を組み合わせた。 我々は、CoRLが、推論と知覚グラウンドのメトリクスの両方において、強力なプロプライエタリおよびオープンソースベースラインを一貫して超越していることを示します。
  論文  参考訳（メタデータ） (2026-03-16T04:27:53Z)
• Phase-Consistent Magnetic Spectral Learning for Multi-View Clustering [18.462238432927915]
  教師なしのマルチビュークラスタリングは、ラベルなしで複数のビューから補完的な情報を活用することで、データを有意義なグループに分割することを目的としている。 既存のアプローチは、しばしばマグニチュードのみの親和性や初期の擬似的ターゲットに依存しており、異なる視点が同等の強度を持つが矛盾する方向傾向を持つ関係を誘導すると不安定になる可能性がある。 本稿では,MVC における EmphPhase-Consistent Magnetic Spectral Learning を提案する。
  論文  参考訳（メタデータ） (2026-02-21T06:04:57Z)
• Escaping Plato's Cave: JAM for Aligning Independently Trained Vision and Language Models [30.07172193932125]
  本稿では,JAM(Joint Autoencoder Modulator)が独立に訓練された表現のアライメントを誘導することを示す。 本研究は, 共通意味論の構造に関する理論的知見と, 一般論的な一助的基礎を専門的マルチモーダルモデルに変換するための実践的ガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-07-01T21:43:50Z)
• Imputation-free and Alignment-free: Incomplete Multi-view Clustering Driven by Consensus Semantic Learning [65.75756724642932]
  不完全なマルチビュークラスタリングでは、欠落したデータがビュー内のプロトタイプシフトとビュー間のセマンティック不整合を誘導する。 コンセンサスセマンティクス学習(FreeCSL)のためのIMVCフレームワークを提案する。 FreeCSLは、最先端の競合他社と比較して、IMVCタスクの信頼性と堅牢な割り当てを実現している。
  論文  参考訳（メタデータ） (2025-05-16T12:37:10Z)
• Distributional Vision-Language Alignment by Cauchy-Schwarz Divergence [83.15764564701706]
  本稿では、コーシーシュワルツの発散を相互情報と統合して視覚言語アライメントを行う新しいフレームワークを提案する。 CS分散はInfoNCEのアライメント・ユニフォーム性競合にシームレスに対処し,InfoNCEと補完的な役割を担っていることがわかった。 テキスト・画像生成およびモダリティ横断検索タスクの実験により,本手法が視覚言語アライメントに与える影響を実証した。
  論文  参考訳（メタデータ） (2025-02-24T10:29:15Z)

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。