論文の概要: TimeMM: Time-as-Operator Spectral Filtering for Dynamic Multimodal Recommendation

• arxiv url: http://arxiv.org/abs/2604.26247v1
• Date: Wed, 29 Apr 2026 03:04:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.234673
• Title: TimeMM: Time-as-Operator Spectral Filtering for Dynamic Multimodal Recommendation
• Title（参考訳）: TimeMM:動的マルチモーダルレコメンデーションのためのTime-as-Operator Spectral Filtering
• Authors: Wei Yang, Rui Zhong, Zihan Lin, Xiaodan Wang, Cheng Chen, Huan Ren, Yao Hu,
• Abstract要約: マルチモーダルレコメンデーションは、協調信号と異種アイテムコンテンツを統合することで、ユーザモデリングを改善する。 TimeMMは動的マルチモーダルレコメンデーションのための時間条件スペクトルフィルタリングフレームワークである。 TimeMMは、実世界のベンチマークで最先端のマルチモーダルレコメンデータよりも一貫して優れています。
• 参考スコア（独自算出の注目度）: 29.47780247822949
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal recommendation improves user modeling by integrating collaborative signals with heterogeneous item content. In real applications, user interests evolve over time and exhibit nonstationary dynamics, where different preference factors change at different rates. This challenge is amplified in multimodal settings because visual and textual cues can dominate decisions under different temporal regimes. Despite strong progress, most multimodal recommenders still rely on static interaction graphs or coarse temporal heuristics, which limits their ability to model continuous preference evolution with fine-grained temporal adaptation. To address these limitations, we propose TimeMM, a time-conditioned spectral filtering framework for dynamic multimodal recommendation. TimeMM instantiates Time-as-Operator by mapping interaction recency to a family of parametric temporal kernels that reweight edges on the user--item graph, producing component-specific representations without explicit eigendecomposition. To capture non-stationary interests, we introduce Adaptive Spectral Filtering that mixes the operator bank according to temporal context, yielding prediction-specific effective spectral responses. To account for modality-specific temporal sensitivity, we further propose Spectral-Aware Modality Routing that calibrates visual and textual contributions conditioned on the same temporal context. Finally, a ranking-space Spectral Diversity Regularization encourages complementary expert behaviors and prevents filter-bank collapse. Extensive experiments on real-world benchmarks demonstrate that TimeMM consistently outperforms state-of-the-art multimodal recommenders while maintaining linear-time scalability.
• Abstract（参考訳）: マルチモーダルレコメンデーションは、協調信号と異種アイテムコンテンツを統合することで、ユーザモデリングを改善する。 実際のアプリケーションでは、ユーザの興味は時間とともに進化し、異なる選好要因が異なる速度で変化する非定常的ダイナミクスを示す。 この課題は、視覚的およびテキスト的手がかりが、異なる時間的状況下で決定を支配できるため、マルチモーダルな設定で増幅される。 強い進歩にもかかわらず、ほとんどのマルチモーダル勧告者は依然として静的相互作用グラフや粗い時間的ヒューリスティックに依存しており、微粒な時間的適応で連続的な嗜好の進化をモデル化する能力を制限する。 このような制約に対処するため,動的マルチモーダルレコメンデーションのための時間条件付きスペクトルフィルタリングフレームワークであるTimeMMを提案する。 TimeMMはタイム・アズ・オペレーターを、ユーザ・テムグラフ上のエッジを重み付けするパラメトリック・テンポラルカーネルの族にマッピングすることでインスタンス化し、明示的な固有分解なしにコンポーネント固有の表現を生成する。 非定常的な関心を捉えるために、時間的文脈に応じて演算子バンクを混合する適応スペクトルフィルタを導入し、予測特異的な有効スペクトル応答を生成する。 時間的時間的感度を考慮し、同じ時間的文脈で条件付けられた視覚的・テキスト的コントリビューションを校正するスペクトル・アウェア・モダリティ・ルーティングを提案する。 最後に、ランク空間のスペクトル多様性規則化(Spectral Diversity Regularization)は、補完的な専門家の振る舞いを促進し、フィルタバンクの崩壊を防ぐ。 実世界のベンチマークによる大規模な実験により、TimeMMは線形時間スケーラビリティを維持しながら、最先端のマルチモーダルレコメンデータより一貫して優れていることが示された。

関連論文リスト

• Multimodal Forecasting for Commodity Prices Using Spectrogram-Based and Time Series Representations [6.409220743870009]
  本稿では,SEMF(Spectrogram-Enhanced Multimodal Fusion)を提案する。 SEMFはスペクトルと時間表現を組み合わせて、より正確で堅牢な予測を行う。 その結果,マルチモーダル融合とスペクトログラムに基づく符号化がマルチスケールパターンのキャプチャに与える影響が示された。
  論文  参考訳（メタデータ） (2026-03-28T15:57:42Z)
• GEMs: Breaking the Long-Sequence Barrier in Generative Recommendation with a Multi-Stream Decoder [54.64137490632567]
  本稿では,長期的履歴からユーザのシーケンスをキャプチャする新しい統一フレームワークを提案する。 GEM(Generative Multi-streamer)は、ユーザのシーケンスを3つのストリームに分割する。 大規模産業データセットに対する大規模な実験により、GEMは推奨精度において最先端の手法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） (2026-02-14T06:42:56Z)
• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• SEED: Spectral Entropy-Guided Evaluation of SpatialTemporal Dependencies for Multivariate Time Series Forecasting [8.507253633170947]
  時空間依存モデリングのためのスペクトルエントロピー誘導評価フレームワークを開発した。 SEEDは各変数の空間的および時間的依存関係を予備評価し、モデルが適応的にチャネル独立(CI)とチャネル依存(CD)戦略のバランスをとることを可能にする。 SEEDは最先端のパフォーマンスを実現し、その有効性と汎用性を検証する。
  論文  参考訳（メタデータ） (2025-12-09T06:18:05Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• Multi-modal Adaptive Estimation for Temporal Respiratory Disease Outbreak [8.861941883057098]
  MAESTROは、スペクトル時間モデリングとマルチモーダルデータ融合を統合する、新しく統一されたフレームワークである。 香港の11年以上のデータから評価すると、MAESTRO は R-square 0.956 に適合する優れたモデルを実現している。 モジュラーで再現可能なパイプラインは、他の地域や病原体への展開と拡張を容易にするために公開されている。
  論文  参考訳（メタデータ） (2025-09-10T13:27:40Z)
• What Makes LLMs Effective Sequential Recommenders? A Study on Preference Intensity and Temporal Context [56.590259941275434]
  RecPOは、シーケンシャルなレコメンデーションのための優先順位最適化フレームワークである。 これは、推定された嗜好階層と時間信号に基づいて適応的な報酬マージンを利用する。 タイムリーな満足感、コヒーレントな嗜好の維持、変化する状況下での識別の行使など、人間の意思決定の重要な特徴を反映している。
  論文  参考訳（メタデータ） (2025-06-02T21:09:29Z)
• Investigating and Enhancing the Robustness of Large Multimodal Models Against Temporal Inconsistency [59.05753942719665]
  本稿では,モデルのロバスト性を評価するために,時間的ロバスト性ベンチマーク(TemRobBench)を提案する。 16のLMMを評価した結果,従来の知識やテキストの文脈に頼りすぎていることが判明した。 我々はパノラマ直接選好最適化(PanoDPO)を設計し、LMMが視覚的特徴と言語的特徴の両方を同時に取り入れることを奨励する。
  論文  参考訳（メタデータ） (2025-05-20T14:18:56Z)
• Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
  状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。 状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。 時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
  論文  参考訳（メタデータ） (2021-10-26T17:35:21Z)
• Kalman Filtering and Expectation Maximization for Multitemporal Spectral Unmixing [20.404244393774253]
  本稿では,時間的スペクトル変動を考慮した物理的動機付き終端表現を用いたスペクトルアンミックス(SU)戦略を提案する。 状態空間の定式化を用いて多時間混合過程を表現することにより, フィルタ機構を利用して終端変動係数を推定することができる。 シミュレーションの結果,提案手法は最先端のマルチテンポラルSUアルゴリズムより優れていることが示された。
  論文  参考訳（メタデータ） (2020-01-02T13:12:46Z)

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。