論文の概要: CS3: Efficient Online Capability Synergy for Two-Tower Recommendation

• arxiv url: http://arxiv.org/abs/2604.22761v2
• Date: Tue, 28 Apr 2026 04:04:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.1589
• Title: CS3: Efficient Online Capability Synergy for Two-Tower Recommendation
• Title（参考訳）: CS3: 2-towerレコメンデーションのための効率的なオンライン機能シナジー
• Authors: Lixiang Wang, Shaoyun Shi, Peng Wang, Wenjin Wu, Peng Jiang,
• Abstract要約: 本稿では,2towerモデルを強化するために,CS3(Capability Synergy)と呼ばれる効率的なオンラインフレームワークを提案する。 CS3フレームワークは、様々な2towerアーキテクチャと互換性があり、オンライン学習シナリオにおけるリアルタイム要件を満たす。 実験の結果、CS3は3つのシナリオでオンライン広告収入を最大8.36%増加させることが示された。
• 参考スコア（独自算出の注目度）: 8.955059715857173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To balance effectiveness and efficiency in recommender systems, multi-stage pipelines employ lightweight two-tower models for large-scale candidate retrieval. However, their isolated architecture inherently hampers representation capacity, embedding-space alignment, and cross-feature modeling. Prior studies have explored incorporating late interaction or knowledge distillation to mitigate these issues, but such approaches often significantly increase model latency or pose challenges for implementation in online learning scenarios. To address these limitations, we propose an efficient online framework called Capability Synergy (CS3), which enhances two-tower models through three key innovations: (1) Cycle-Adaptive Structure, enabling self-revision via adaptive feature denoising within individual towers; (2) Cross-Tower Synchronization, improving representation alignment through mutual awareness between the towers; and (3) CascadeModel Sharing, bridging cross-stage consistency by reusing knowledge from downstream models. The CS3 framework is compatible with various two-tower architectures and meets real-time requirements in online learning scenarios. We evaluated CS3 on three public offline datasets and subsequently deployed it in a large-scale advertising system. Experimental results demonstrate that CS3 increases online ad revenue by up to 8.36% across three scenarios while maintaining millisecond-level latency and consistently performing well across diverse two-tower architectures.
• Abstract（参考訳）: 推薦システムの効率性と効率のバランスをとるために、マルチステージパイプラインは大規模候補探索のための軽量な2towerモデルを採用している。 しかし、その分離されたアーキテクチャは、本質的にはハッパー表現能力、埋め込み空間アライメント、およびクロスフィーチャモデリングである。 従来の研究では、これらの問題を緩和するために、遅延相互作用や知識蒸留を取り入れることについて検討されてきたが、そのようなアプローチは、モデル遅延を著しく増加させるか、オンライン学習シナリオで実装する上での課題を提起することが多い。 これらの制約に対処するため,我々は,(1)適応型構造,適応型特徴記述による自己修正,(2)タワー間の相互認識による相互整合性向上,(3)下流モデルからの知識の再利用による相互整合性向上,(3)カスケードモデル共有,という3つの重要な革新を通じて,2段階モデルを強化する効率的なオンラインフレームワーク(CS3)を提案する。 CS3フレームワークは、様々な2towerアーキテクチャと互換性があり、オンライン学習シナリオにおけるリアルタイム要件を満たす。 CS3を3つの公開オフラインデータセット上で評価し,その後,大規模広告システムに展開した。 実験の結果、CS3は3つのシナリオでオンライン広告収入を最大8.36%増加させ、ミリ秒レベルのレイテンシを維持し、多様な2towerアーキテクチャで一貫してパフォーマンスを向上することが示された。

関連論文リスト

• CS3: Efficient Online Capability Synergy for Two-Tower Recommendation [8.955059715857173]
  2towerアーキテクチャは、表現能力、埋め込み空間アライメント、および機能間相互作用を制限する。 本稿では,リアルタイムな制約を保ちながら2towerレトリバーを強化した効率的なオンラインフレームワークであるCapability Synergy (CS3)を提案する。 CS3は多様な2towerのバックボーンでプラグ&プレイでき、オンライン学習と互換性がある。
  論文  参考訳（メタデータ） (2026-04-21T09:35:30Z)
• Telecom World Models: Unifying Digital Twins, Foundation Models, and Predictive Planning for 6G [60.29349053952935]
  本稿では,テレコムシステムダイナミクスの学習,行動条件,不確実性を考慮したモデリングのためのアーキテクチャであるTWM(Telecom World Model)の概念を紹介する。 本研究では,空間環境予測のためのフィールドワールドモデル,動作条件付きキーパフォーマンス指標(KPI)軌道予測のための制御/力学ワールドモデル,意図翻訳とオーケストレーションのための通信基盤モデルレイヤからなる3層アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-04-08T09:41:58Z)
• Efficient Personalized Reranking with Semi-Autoregressive Generation and Online Knowledge Distillation [67.09494009022471]
  本稿では,オンライン知識蒸留(PSAD)フレームワークを改訂するための新しいパーソナライズド・セミ・オートレグレッシブを提案する。 このフレームワークでは、教師モデルは、生成品質と効率のバランスをとるために半自己回帰ジェネレータを採用し、そのランキング知識はオンラインで軽量のスコアリングネットワークに抽出される。 3つの大規模な公開データセットで実施された実験により、PSADはランク付け性能と推論効率の両方において最先端のベースラインを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2026-03-07T08:37:13Z)
• CATNet: Collaborative Alignment and Transformation Network for Cooperative Perception [9.983779569276475]
  コラボレーティブアライメント・アンド・トランスフォーメーション・ネットワーク(CATNet)は、マルチエージェントシステムにおける時間遅延とノイズ干渉を解決する適応補償フレームワークである。 まず、非同期機能ストリームの整合性を備えた時空間リカレントシンクロナイゼーション(STSync)を紹介します。 第2に,大域的雑音を抑制し,局所的特徴歪みを再構成するDual-Branch Wavelet Enhanced Denoiser (WTDen) を設計する。 第三に、ロバスト融合のための重要な知覚機能に動的にフォーカスする適応的特徴選択器(AdpSel)を構築する。
  論文  参考訳（メタデータ） (2026-03-05T15:07:36Z)
• Compress, Cross and Scale: Multi-Level Compression Cross Networks for Efficient Scaling in Recommender Systems [5.897678894426804]
  MLCCは階層的な圧縮と動的合成によって機能横断を組織する構造化された機能相互作用アーキテクチャである。 MC-MLCCはマルチチャネル拡張であり、並列部分空間に特徴的相互作用を分解する。 提案モデルでは,高いDLRMスタイルのベースラインを最大0.52AUCで上回り,モデルパラメータとFLOPを最大26$times$で削減した。
  論文  参考訳（メタデータ） (2026-02-12T15:06:46Z)
• Lemon: A Unified and Scalable 3D Multimodal Model for Universal Spatial Understanding [80.66591664266744]
  Lemonは3Dポイントクラウドパッチと言語トークンを単一のシーケンスとして処理する統合トランスフォーマーアーキテクチャである。 3次元データの複雑さに対処するため,空間的コンテキストを保存するための構造化パッチやトークン化方式を開発した。 Lemonは、総合的な3D理解と推論タスクにまたがって、最先端のパフォーマンスを確立する。
  論文  参考訳（メタデータ） (2025-12-14T20:02:43Z)
• A2R: An Asymmetric Two-Stage Reasoning Framework for Parallel Reasoning [57.727084580884075]
  モデルポテンシャルと実際の性能の間のギャップを埋めるために設計された非対称な2段階推論フレームワーク。 A2R-Efficientは、Qwen3-4BとQwen3-8Bシンセサイザーを組み合わせた「小型から大型」の派生型である。 その結果、A2Rはパフォーマンス・ブートスティングのフレームワークであるだけでなく、現実世界のアプリケーションに対して効率的かつ実用的なソリューションであることがわかった。
  論文  参考訳（メタデータ） (2025-09-26T08:27:03Z)
• Mutual Information-driven Triple Interaction Network for Efficient Image Dehazing [54.168567276280505]
  画像デハージングのための相互情報駆動型トリプルインタラクションネットワーク(MITNet)を提案する。 振幅誘導ヘイズ除去と呼ばれる第1段階は、ヘイズ除去のためのヘイズ画像の振幅スペクトルを復元することを目的としている。 第2段階は位相誘導構造が洗練され、位相スペクトルの変換と微細化を学ぶことに尽力した。
  論文  参考訳（メタデータ） (2023-08-14T08:23:58Z)
• 4D ASR: Joint modeling of CTC, Attention, Transducer, and Mask-Predict decoders [29.799797974513552]
  本稿では,CTC,アテンション,RNN-T,マスク予測の4デコーダ共同モデリング(4D)を提案する。 4つのデコーダは、アプリケーションシナリオに応じて簡単に切り替えられるように、共同でトレーニングされている。 実験の結果,提案したモデルが一貫してWERを減少させることがわかった。
  論文  参考訳（メタデータ） (2022-12-21T07:15:59Z)
• Switchable Representation Learning Framework with Self-compatibility [50.48336074436792]
  自己整合性(SFSC)を考慮した交換可能な表現学習フレームワークを提案する。 SFSCは1つのトレーニングプロセスを通じて、異なる能力を持つ一連の互換性のあるサブモデルを生成する。 SFSCは評価データセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-06-16T16:46:32Z)

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。