論文の概要: FEDIN: Frequency-Enhanced Deep Interest Network for Click-Through Rate Prediction

• arxiv url: http://arxiv.org/abs/2605.01726v1
• Date: Sun, 03 May 2026 05:50:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.906623
• Title: FEDIN: Frequency-Enhanced Deep Interest Network for Click-Through Rate Prediction
• Title（参考訳）: FEDIN:クリックスルーレート予測のための周波数拡張深層関心ネットワーク
• Authors: Zenan Dai, Jinpeng Wang, Junwei Pan, Dapeng Liu, Lei Xiao, Shu-Tao Xia,
• Abstract要約: ユーザ注意スコアは、正または負のターゲット項目に条件付けされた場合、異なるスペクトルエントロピー分布を示す。 本稿では,周波数拡張型深層関心ネットワーク(FEDIN)を提案する。 FEDINは、最先端のレコメンデーションベースラインを一貫して上回り、ノイズに対する優れた堅牢性を示している。
• 参考スコア（独自算出の注目度）: 56.59654766009799
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential recommendation models often struggle to capture latent periodic patterns in user interests, primarily due to the noise inherent in time-domain behavioral data. While frequency-domain analysis offers a global perspective to address this, existing approaches typically treat user sequences in isolation, overlooking the crucial context of the target item. In this work, we present a novel empirical observation: user attention scores exhibit distinct spectral entropy distributions when conditioned on positive versus negative target items. Specifically, true user interests manifest as highly concentrated spectral patterns with lower entropy in the frequency domain, whereas irrelevant behaviors appear as high-entropy noise. Leveraging this insight, we propose the Frequency-Enhanced Deep Interest Network (FEDIN). FEDIN introduces a frequency-domain branch that utilizes a target-aware spectrum filtering mechanism to isolate these periodic interest signals. Extensive experiments on three public datasets demonstrate that FEDIN consistently outperforms state-of-the-art sequential recommendation baselines, demonstrating superior robustness against noise. We have released our code at: https://github.com/otokoneko/FEDIN.
• Abstract（参考訳）: 時系列レコメンデーションモデルは、主に時間領域の振る舞いデータに固有のノイズのために、ユーザの関心事における潜在周期パターンを捉えるのに苦労することが多い。 周波数領域分析はこの問題に対処するためのグローバルな視点を提供するが、既存のアプローチは通常、ターゲットアイテムの重要なコンテキストを見渡すことなく、ユーザーシーケンスを分離して扱う。 本研究では, ユーザの注意スコアが, 正と負のターゲット項目に条件付けされた場合に, 異なるスペクトルエントロピー分布を示すという, 新たな経験的観察結果を示す。 特に、真のユーザの興味は周波数領域のエントロピーが低い高濃度のスペクトルパターンとして現れ、無関係な振る舞いは高エントロピーノイズとして現れる。 この知見を生かして、周波数拡張深層関心ネットワーク(FEDIN)を提案する。 FEDINは、これらの周期的関心信号の分離にターゲット認識スペクトルフィルタリング機構を利用する周波数領域の分岐を導入している。 3つの公開データセットに対する大規模な実験により、FEDINは最先端のレコメンデーションベースラインを一貫して上回り、ノイズに対する優れた堅牢性を示す。 コードについては、https://github.com/otokoneko/FEDIN.comで公開しています。

関連論文リスト

• Triple Spectral Fusion for Sensor-based Human Activity Recognition [86.21994396715074]
  本稿では,センサを用いたヒューマンアクティビティ認識(HAR)に適した新しい三重スペクトル融合フレームワークを提案する。 雑音抑制のための適応的な補間フィルタリング手法を開発し,各IMUセンサを姿勢・運動モードノードに整理する。 適応ウェーブレット周波数選択手法により、コンテキストの冗長性を抑え、特徴の長さを短縮する。
  論文  参考訳（メタデータ） (2026-05-04T15:42:58Z)
• FreqCycle: A Multi-Scale Time-Frequency Analysis Method for Time Series Forecasting [5.58518205945406]
  本稿では、時間領域における共有周期パターンを明示的に学習することにより、低周波の特徴を抽出するFreqCycleを提案する。 FreqCycleは、高速な推論速度を維持しながら最先端の精度を実現し、パフォーマンスと効率の最適なバランスを保っている。
  論文  参考訳（メタデータ） (2026-03-10T13:34:36Z)
• Wavelet Enhanced Adaptive Frequency Filter for Sequential Recommendation [9.48001653858777]
  逐次レコメンデーションのためのウェーブレット拡張適応周波数フィルタという新しい手法を提案する。 動的周波数領域フィルタリングとウェーブレット機能強化の2つの重要なモジュールで構成されている。
  論文  参考訳（メタデータ） (2025-11-10T12:22:33Z)
• Exploiting Inter-Session Information with Frequency-enhanced Dual-Path Networks for Sequential Recommendation [13.302194364808514]
  本稿では、シーケンシャルレコメンデーションのための周波数拡張デュアルパスネットワークであるFreqRecを提案する。 FreqRecは、学習可能な周波数ドメイン多層パーセプトロンを介して、セッション間およびセッション内動作をキャプチャする。 クロスエントロピーと周波数領域の整合性損失を組み合わせた合成目的の下で最適化されている。
  論文  参考訳（メタデータ） (2025-11-09T08:39:26Z)
• Rethinking Purity and Diversity in Multi-Behavior Sequential Recommendation from the Frequency Perspective [48.60281642851056]
  レコメンデーションシステムでは、ユーザーはブラウジング、クリック、購入などの複数の行動を示すことが多い。 いくつかの行動データは、ユーザー興味のモデリングにも避けられないノイズをもたらします。 これらの研究は、低周波情報は価値があり信頼性が高い傾向にあり、高周波情報はしばしばノイズと関連していることを示している。
  論文  参考訳（メタデータ） (2025-08-28T04:55:02Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
  本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。 我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-27T14:25:52Z)

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。