論文の概要: Looking Farther with Confidence: Uncertainty-Guided Future Learning for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2605.28493v1
• Date: Wed, 27 May 2026 13:51:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.090949
• Title: Looking Farther with Confidence: Uncertainty-Guided Future Learning for Sequential Recommendation
• Title（参考訳）: 信頼と遠ざかる: シークエンシャルレコメンデーションのための不確実なガイド付き未来学習
• Authors: Ziqiang Cui, Xing Tang, Peiyang Liu, Xiaokun Zhang, Shiwei Li, Xiuqiang He, Chen Ma,
• Abstract要約: シークエンシャルレコメンデーションは、動的ユーザの興味を効果的にモデル化するが、データの分散に関する課題に直面し続けている。 適応型将来の学習フレームワークであるUFRecを提案する。 提案手法は, 将来的なデータを活用することによって, 最先端の手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 15.885719428802382
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommendation effectively models dynamic user interests but continues to face challenges related to data sparsity. While self-supervised learning has alleviated this issue to some extent, most existing methods focus exclusively on immediate next-item prediction during training, thereby neglecting the rich information embedded in longer-term future interactions. Although a few studies have explored the utilization of future data, existing attempts typically apply future supervision signals with uniform intensity across all samples, which may lead to suboptimal solutions. In this paper, we propose an adaptive future learning framework, UFRec, which encourages the model to look further ahead when it is confident in the current state, while focusing on the immediate task when it is uncertain. Specifically, UFRec incorporates an Uncertainty-Guided Future Supervision module that dynamically modulates the weight of multi-step future supervision based on the model's confidence in the primary next-item prediction task. Furthermore, we complement step-wise future supervision with a Future-Aware Contrastive Learning module that treats the future trajectory as a holistic entity. Notably, both auxiliary modules are utilized exclusively during training and incur no inference overhead. Extensive experiments on four benchmark datasets demonstrate that our method significantly outperforms state-of-the-art approaches by effectively leveraging future data.
• Abstract（参考訳）: シークエンシャルレコメンデーションは、動的ユーザの興味を効果的にモデル化するが、データの分散に関する課題に直面し続けている。 自己教師型学習はこの問題をある程度緩和してきたが、既存のほとんどの手法は訓練中の即時次イデム予測にのみ焦点を合わせており、それによって長期的な相互作用に埋め込まれた豊富な情報を無視している。 将来的なデータの利用についていくつかの研究がなされているが、既存の試みでは、通常、全てのサンプルに均一な強度で将来の監視信号を適用する。 本稿では,現状に自信がある場合,不確実な場合には即時課題に焦点をあてながら,モデルがさらに先へ進むことを奨励する適応型未来学習フレームワーク UFRec を提案する。 具体的には、UFRecには不確実性ガイドのFuture Supervisionモジュールが組み込まれており、このモジュールはモデルが次回の予測タスクに対する信頼度に基づいて、マルチステップの将来の監督の重みを動的に調整する。 さらに,将来的な軌跡を包括的実体として扱うFuture-Aware Contrastive Learningモジュールを用いて,ステップワイズ・フューチャー・インスペクションを補完する。 特に、両方の補助モジュールはトレーニング中にのみ利用され、推論オーバーヘッドは発生しない。 4つのベンチマークデータセットに対する大規模な実験により、我々の手法は将来的なデータを効果的に活用することで最先端のアプローチを著しく上回ることを示した。

関連論文リスト

• Investigating an Overfitting and Degeneration Phenomenon in Self-Supervised Multi-Pitch Estimation [17.776058135307363]
  マルチピッチ推定 (MPE) は、音楽情報検索 (MIR) システムの機能を追求し続けている。 我々は、いくつかの自己監督的目的を取り入れることで、古典的教師付きMPEパラダイムを拡張した。 我々は,モデルが教師付きデータに同時に適合し,自己スーパービジョンにのみ使用されるデータに基づいてデジェネレーションを行う現象を明らかにする。
  論文  参考訳（メタデータ） (2025-06-29T19:10:51Z)
• An Efficient Continual Learning Framework for Multivariate Time Series Prediction Tasks with Application to Vehicle State Estimation [11.197937792525684]
  本稿では,連続学習を時系列タスクで処理するEM-ReSeleCTを提案する。 提案手法は,古・歴史的データから代表的なサブセットを戦略的に選択する。 また,車両状態推定に特化して設計されたシーケンス・ツー・シーケンス・トランスフォーマモデル(自己回帰モデル)を開発した。
  論文  参考訳（メタデータ） (2025-03-03T15:42:06Z)
• Look into the Future: Deep Contextualized Sequential Recommendation [28.726897673576865]
  我々は、Look into the Future(LIFT)と呼ばれる、シーケンシャルなレコメンデーションの新しいフレームワークを提案する。 LIFTはシーケンシャルなレコメンデーションのコンテキストを構築し、活用する。 本実験では,クリックスルー率予測および評価予測タスクにおいて,LIFTは大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2024-05-23T09:34:28Z)
• Can LMs Generalize to Future Data? An Empirical Analysis on Text Summarization [50.20034493626049]
  最近の学習済み言語モデル(PLM)は、既存の抽象的な要約データセットにおいて有望な結果をもたらす。 既存の要約ベンチマークは、標準の事前学習コーパスと微調整データセットと時間的に重複する。 要約モデルに格納されたパラメトリック知識は、将来のデータに対する生成した要約の忠実度に大きく影響することを示す。
  論文  参考訳（メタデータ） (2023-05-03T08:08:07Z)
• Learning to Anticipate Future with Dynamic Context Removal [47.478225043001665]
  将来のイベントを予想することは、インテリジェントシステムとAIの具体化にとって不可欠な機能である。 本研究では,動的文脈除去(DCR)と呼ばれる新しい学習手法を提案する。 我々の学習方式はプラグアンドプレイであり、トランスフォーマーやLSTMを含む推論モデルを統合することは容易であり、有効性と効率性の両方に利点がある。
  論文  参考訳（メタデータ） (2022-04-06T05:24:28Z)
• Policy Gradients Incorporating the Future [66.20567145291342]
  我々はエージェントが明示的に予測することなく「未来を見る」方法を紹介した。 我々は,エージェントが過去の経験を学習中に,その将来に何が起こったのかを観察できるように提案する。 これにより、エージェントは、現在に加えて、将来の軌道力学に関するリッチで有用な情報を利用することができる。
  論文  参考訳（メタデータ） (2021-08-04T14:57:11Z)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)
• Deep Reinforcement and InfoMax Learning [32.426674181365456]
  本稿では,Deep InfoMaxに基づく目標について紹介する。これはエージェントが連続した時間ステップの内部表現間の相互情報を最大化し,未来を予測することを訓練するものである。 提案手法をいくつかの合成条件で検証し,将来予測可能な表現の学習に成功した。
  論文  参考訳（メタデータ） (2020-06-12T14:19:46Z)
• Value-driven Hindsight Modelling [68.658900923595]
  値推定は強化学習(RL)パラダイムの重要な構成要素である。 モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。 この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。 これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
  論文  参考訳（メタデータ） (2020-02-19T18:10:20Z)

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。