論文の概要: Behavior-Guided Candidate Calibration for Multimodal Recommendation

• arxiv url: http://arxiv.org/abs/2605.22073v1
• Date: Thu, 21 May 2026 07:10:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.129525
• Title: Behavior-Guided Candidate Calibration for Multimodal Recommendation
• Title（参考訳）: マルチモーダルレコメンデーションのための行動ガイド付き候補校正
• Authors: Zesheng Li, Chengchang Pan, Honggang Qi,
• Abstract要約: より強い合意はレコメンデーション固有のバリエーションを抑制する一方で、適度なクロスビューの合意が役立ちます。 トレーニングのみのコユーザオーバーラップを署名された候補エビデンスに変換する行動誘導型候補キャリブレーションモデルを提案する。 Amazon Baby、Sports、Electronicsの結果は、強力なマルチモーダルベースラインよりも一貫して伸びている。
• 参考スコア（独自算出の注目度）: 6.512147941188453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal recommendation benefits from content signals, but the gain depends on how those signals interact with the ranking pipeline. We find that moderate cross-view agreement helps, while stronger agreement suppresses recommendation-specific variation. Spectral analysis shows a clear split: low-frequency components capture shared structure, and higher-frequency components preserve more discriminative signal. Based on this finding, we introduce a behavior-guided candidate calibration model that converts training-only co-user overlap into signed candidate evidence and applies it only to the shortlist produced by the multimodal backbone. The backbone keeps the representation space stable; behavior evidence acts only where ranking is decided. Results on Amazon Baby, Sports, and Electronics show consistent gains over strong multimodal baselines. Code is available at https://github.com/LIZESHENG13/bridge.
• Abstract（参考訳）: マルチモーダルレコメンデーションは、コンテンツ信号から恩恵を受けるが、それらの信号がランキングパイプラインとどのように相互作用するかによって得られる。 より強い合意はレコメンデーション固有のバリエーションを抑制する一方で、適度なクロスビューの合意が役立ちます。 低周波成分は共有構造を捉え、高周波成分はより識別的な信号を保持する。 そこで本研究では,マルチモーダルバックボーンが生成するショートリストにのみ適用可能な,トレーニングのみのコユーザ重複を署名された候補エビデンスに変換する行動誘導型候補キャリブレーションモデルを提案する。 バックボーンは表現空間を安定に保ちます。 Amazon Baby、Sports、Electronicsの結果は、強力なマルチモーダルベースラインよりも一貫して伸びている。 コードはhttps://github.com/LIZESHENG13/bridgeで公開されている。

関連論文リスト

• Sequences as Nodes for Contrastive Multimodal Graph Recommendation [10.466765832314683]
  MuSICRecは、協調的、シーケンシャル、マルチモーダルな信号を組み合わせたグラフベースのレコメンデータである。 Amazon Baby、Sports、Electronicsのデータセットでは、MuSICRecは最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-06T21:35:12Z)
• Multimodal Enhancement of Sequential Recommendation [10.466765832314683]
  本稿では,マルチモーダルおよびシーケンシャルなレコメンデーションパラダイムを統一する新しいレコメンデーションフレームワークであるMuSTRecを提案する。 MuSTRecは、抽出したテキストと視覚的特徴からアイテムとアイテムのグラフを構築することで、横断的な類似性と協調的なフィルタリング信号をキャプチャする。 複数のAmazonデータセット全体で、MuSTRecはマルチモーダルおよびシーケンシャルな最先端ベースラインよりも優れたパフォーマンス(最大33.5%の改善)を示している。
  論文  参考訳（メタデータ） (2026-02-06T21:32:56Z)
• Towards Trustworthy Multimodal Recommendation [6.596263763651009]
  現実のデプロイメントはますます重要になってきていますが、未調査の問題、すなわち信頼性を高めます。 現代のeコマースプラットフォームでは、マルチモーダルコンテンツは誤解を招くか、信頼できない。 本稿では,不確実なモダリティ特徴を緩和するモジュール・アンド・プレイのモダリティレベル補正コンポーネントを提案する。
  論文  参考訳（メタデータ） (2026-01-31T13:47:25Z)
• Test-time Adaptive Hierarchical Co-enhanced Denoising Network for Reliable Multimodal Classification [55.56234913868664]
  マルチモーダルデータを用いた信頼性学習のためのTAHCD(Test-time Adaptive Hierarchical Co-enhanced Denoising Network)を提案する。 提案手法は,最先端の信頼性の高いマルチモーダル学習手法と比較して,優れた分類性能,堅牢性,一般化を実現する。
  論文  参考訳（メタデータ） (2026-01-12T03:14:12Z)
• MARS-Sep: Multimodal-Aligned Reinforced Sound Separation [72.85468563236005]
  MARS-Sepは音分離のための強化学習フレームワークである。 クリッピングされた信頼領域サロゲートによって最適化された、ファクタライズされたベータマスクポリシを学ぶ。 複数のベンチマークの実験は、テキスト、オーディオ、イメージ-キュード分離において一貫した利得を示している。
  論文  参考訳（メタデータ） (2025-10-12T09:05:28Z)
• HiFIRec: Towards High-Frequency yet Low-Intention Behaviors for Multi-Behavior Recommendation [10.558247582357783]
  HiFIRecは、新しいマルチ行動レコメンデーション手法である。 差動挙動モデリングにより,高周波かつ低意図動作の効果を補正する。 2つのベンチマークの実験では、HiFIRecはいくつかの最先端手法に比べてHR@10を4.21%-6.81%改善している。
  論文  参考訳（メタデータ） (2025-09-30T04:20:45Z)
• Reference-Free Rating of LLM Responses via Latent Information [53.463883683503106]
  本研究では,判断モデルに対して,自由テキスト応答にQuattスケールのスコアを割り当てるよう依頼する一般的な実践について検討する。 次に、内部モデル信号からスカラー評価を導出する潜在裁判官を提案し、評価する。 ペアとシングルレーティングのベンチマークの幅広いスイートの中で、潜在メソッドは標準のプロンプトにマッチするか、超えている。
  論文  参考訳（メタデータ） (2025-09-29T12:15:52Z)
• Sequential Recommendation with Controllable Diversification: Representation Degeneration and Diversity [59.24517649169952]
  我々は,表現退化問題は,既存のSR手法における推奨の多様性の欠如の根本原因であると主張している。 Singular sPectrum sMoothing regularization for Recommendation (SPMRec)を提案する。
  論文  参考訳（メタデータ） (2023-06-21T02:42:37Z)
• On component interactions in two-stage recommender systems [82.38014314502861]
  2段階のレコメンデータは、YouTube、LinkedIn、Pinterestなど、多くのオンラインプラットフォームで使用されている。 ランク付け器と評価器の相互作用が全体の性能に大きく影響していることが示される。 特に、Mixture-of-Expertsアプローチを用いて、アイテムプールの異なるサブセットに特化するように、ノミネータを訓練する。
  論文  参考訳（メタデータ） (2021-06-28T20:53:23Z)

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。