論文の概要: FlowTime: Towards Continuous Generative Watch Time Prediction via Flow-based Personalized Priors

• arxiv url: http://arxiv.org/abs/2606.01352v1
• Date: Sun, 31 May 2026 17:13:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.602051
• Title: FlowTime: Towards Continuous Generative Watch Time Prediction via Flow-based Personalized Priors
• Title（参考訳）: FlowTime: フローベースのパーソナライズドプリミティブによる連続生成時計時間予測に向けて
• Authors: Hongxu Ma, Han Zhou, Chenghou Jin, Jie Zhang, Xiaoyu Yang, Chunjie Chen, Jihong Guan, Shuigeng Zhou,
• Abstract要約: ウォッチタイムは、ショートビデオレコメンデーターシステムにおけるユーザーエンゲージメントを最適化するための重要な指標として登場した。 時計時間予測(WTP)の現在の手法は、固有のパラダイム固有の制限に悩まされている。 本稿では,一段階生成変分オートエンコーダを用いた新しいFlowTimeを提案する。
• 参考スコア（独自算出の注目度）: 36.51656962595749
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Watch time has emerged as a pivotal metric for optimizing deep user engagement in short-video recommender systems. However, current methods of watch time prediction (WTP) suffer from inherent paradigm-specific limitations. Direct Regression faces mean-collapse due to unimodal Gaussian assumptions, while Ordinal Regression is hampered by quantization errors from rigid discretization. Similarly, Discrete Generative Regression struggles with high inference latency and heuristic vocabulary design. Beyond these specific flaws, a shared deficiency is the inability to capture the intrinsic multimodality and heterogeneity of User-Item Interaction Patterns. To address these challenges, we first revisit the WTP problem from a causal perspective and identify these user-specific patterns as structural confounders that modulate watch time outcomes, where identical interests manifest as distinct watch time outcomes conditioned on diverse user habits. Then, we formally propose a new (or the fourth) paradigm -- Continuous Generative Regression, and introduce FlowTime, a novel method utilizing a One-step Generative Variational Autoencoder. FlowTime effectively circumvents the latency of iterative denoising while maintaining the expressivity of continuous latent spaces. Furthermore, we design a Flow-based Personalized Prior that leverages NFs to warp a standard Gaussian prior into a complex, history-conditioned manifold, thereby enabling the adaptive modeling of multimodal interaction patterns. Finally, we build TimeRec, the first open-source WTP Library, alongside a novel personalization metric to establish a rigorous benchmarking standard. Extensive offline experiments and online A/B tests demonstrate FlowTime's significant superiority over SOTA methods.
• Abstract（参考訳）: ウォッチタイムは、ショートビデオレコメンデーターシステムにおけるユーザーエンゲージメントを最適化するための重要な指標として登場した。 しかし、現在の監視時間予測法(WTP)は、固有のパラダイム固有の制限に悩まされている。 直接回帰は単調なガウスの仮定により平均崩壊するが、正規回帰は厳格な離散化による量子化誤差によって妨げられる。 同様に、離散生成回帰は高い推論遅延とヒューリスティックな語彙設計に苦しむ。 これらの特定の欠陥の他に、共有欠陥は、ユーザ-アイテムの相互作用パターンの固有の多相性と異質性をキャプチャできないことである。 これらの課題に対処するために、まず原因の観点からWTP問題を再検討し、これらのユーザ固有のパターンを、ウォッチタイムの成果を変調する構造的共同創設者として識別する。 そこで我々は,新しい(あるいは4番目の)パラダイムである連続生成回帰を提案し,一段階生成変分オートエンコーダを利用した新しい方法であるFlowTimeを紹介した。 FlowTimeは、連続的な潜伏空間の表現性を保ちながら、反復的復調の遅延を効果的に回避する。 さらに,NFを利用したフローベースパーソナライズドプリエントを設計し,標準的なガウス先行を複雑な履歴条件の多様体にワープすることで,マルチモーダル相互作用パターンの適応モデリングを可能にする。 最後に、最初のオープンソースWTPライブラリであるTimeRecと、厳格なベンチマーク標準を確立するための新しいパーソナライゼーションメトリックを構築します。 大規模なオフライン実験とオンラインA/Bテストは、FlowTimeがSOTAメソッドよりも優れていることを示している。

関連論文リスト

• Climber-Pilot: A Non-Myopic Generative Recommendation Model Towards Better Instruction-Following [19.550149895505683]
  Climber-Pilotは統合された生成検索フレームワークである。 TAMIP(Time-Aware Multi-Item Prediction)は、遺伝的検索において固有の近視を緩和する新しいトレーニングパラダイムである。 また,ビジネス制約をスパース・アテンションを介して生成プロセスに直接組み込むコンディションガイド付きスパース・アテンション(CGSA)を提案する。
  論文  参考訳（メタデータ） (2026-02-14T03:46:06Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• TimeFlow: Towards Stochastic-Aware and Efficient Time Series Generation via Flow Matching Modeling [2.74279932215302]
  時系列データは、下流の時系列マイニングタスクを幅広くサポートするため、重要な研究トピックとして浮上している。 エンコーダのみのアーキテクチャを統合する新しいフローマッチングフレームワークであるTimeFlowを提案する。 私たちのモデルは、生成品質、多様性、効率において、一貫して強力なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-11-11T08:28:26Z)
• Generative Regression Based Watch Time Prediction for Short-Video Recommendation [36.95095097454143]
  短いビデオレコメンデーションシステムでは、時計の時間予測が重要なタスクとして現れている。 最近の研究は、連続時計時間推定を正規回帰タスクに変換することによって、これらの問題に対処しようとしている。 本稿では,WTPをシーケンス生成タスクとして再構成する新しい生成回帰(GR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-28T16:48:55Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• OFTER: An Online Pipeline for Time Series Forecasting [3.9962751777898955]
  OFTERは、中規模の多変量時系列に適した時系列予測パイプラインである。 オンラインタスク用に特別に設計されており、解釈可能な出力を持ち、いくつかの最先端のアートベースラインを上回ります。 アルゴリズムの計算効率、オンラインの性質、低信号対雑音方式での運用能力により、OFTERは金融時系列問題に理想的なアプローチとなる。
  論文  参考訳（メタデータ） (2023-04-08T00:18:03Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)

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。