Fugu-MT 論文翻訳(概要): Time-Aware Diffusion based on Preference Disentanglement for Generative Recommendation

論文の概要: Time-Aware Diffusion based on Preference Disentanglement for Generative Recommendation

arxiv url: http://arxiv.org/abs/2606.01670v1
Date: Mon, 01 Jun 2026 04:27:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 21:34:29.97909
Title: Time-Aware Diffusion based on Preference Disentanglement for Generative Recommendation
Title（参考訳）: 生成レコメンデーションのための選好距離に基づく時間的拡散
Authors: Bangguo Zhu, Peng Huo, Yuanbo Zhao, Zhicheng Du, Jun Yin, Senzhang Wang,
Abstract要約: ジェネレーティブレコメンダ(GR)は、従来のアイテムIDを意味指標(SID)に置き換えることで、変革的レコメンデーションパラダイムとして登場した。本研究では,SIDトークン上での時間認識拡散を設計し,TDPMという新しいGRフレームワークを提案する。詳しくは、TDPMは、時間進化するユーザの好みの影響を拡散プロセスに統合する。
参考スコア（独自算出の注目度）: 19.391300000877795
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recently, Generative Recommenders (GRs) have emerged as a transformative recommendation paradigm by replacing traditional item IDs with semantic indices (SIDs). Owing to the exceptional generative capabilities of diffusion models, a few pioneering works explore developing GRs with diffusion architectures as the backbone. However, a fatal limitation of existing diffusion-based GRs is that the diffusion process applies uniformly to all items within the historical interactions. In contrast, the user preference is shaped by multifaceted time-evolving factors and thus exhibits a non-stationary distribution in the temporal aspect. To bridge this gap, this study proposes a novel GR framework, named TDPM, by designing the time-aware diffusion on SID tokens. Specifically, TDPM explicitly integrates the impact of time-evolving user preferences into the diffusion process. In detail, the user preference is disentangled into (i) the period preference, which remains consistent over a long time-span, and (ii) the point preference, which is triggered by recent focal events. Extensive experiments on three public real-world datasets demonstrate the significant superiority of TDPM over the state-of-the-art baselines. TDPM achieves average improvements of up to 29.21% and 25.45% in terms of HR@20 and NDCG@20, respectively. The ablation study further underscores the necessity of time-aware token diffusion in diffusion-based GRs.
Abstract（参考訳）: 近年、ジェネレーティブレコメンダ(GR)は、従来のアイテムIDを意味指標(SID)に置き換えることで、変革的レコメンデーションパラダイムとして登場した。拡散モデルの例外的な生成能力のため、いくつかの先駆的な研究は拡散アーキテクチャをバックボーンとするGRの開発を探求している。しかし、既存の拡散に基づくGRの致命的な制限は、拡散過程が歴史的相互作用のすべての項目に均一に適用されることである。対照的に、ユーザの嗜好は多面的時間進化因子によって形成され、時間的側面において非定常分布を示す。このギャップを埋めるために、SIDトークン上の時間的拡散を設計し、TDPMと呼ばれる新しいGRフレームワークを提案する。具体的には、TDPMは、時間進化するユーザの好みの影響を拡散プロセスに統合する。詳細は、ユーザの好みに関連付けられている。一長い期間にわたって一貫した期間の選好 (ii)近年の焦点イベントによって引き起こされる点選好。 3つの公開実世界のデータセットに対する大規模な実験は、最先端のベースラインよりもTDPMの顕著な優位性を示している。 TDPMは、HR@20とNDCG@20でそれぞれ29.21%、25.45%の平均的な改善を実現している。アブレーション研究は、拡散に基づくGRにおける時間認識トークン拡散の必要性をさらに強調している。

関連論文リスト

Inference-Time Scaling in Diffusion Models through Iterative Partial Refinement [22.349959761835468]
推論時間のスケーリングは、推論能力を改善するための主要なアプローチとして現れています。逐次拡散のための推論時間スケーリング手法である反復部分分極(IPR)を提案する。 IPRは外部認証なしでよりグローバルに一貫したサンプルを生成する。
論文参考訳（メタデータ） (2026-05-19T03:53:50Z)
Inference-Time Attribute Distribution Alignment for Unconditional Diffusion [54.28942858023809]
我々は、事前訓練された非条件拡散モデルに対する推論時属性分布アライメント問題を定式化する。そこで本研究では,逆拡散過程に対する最適制御問題として,推定時属性分布アライメントを適用した。最適制御に基づくアルゴリズムを用いて分散マッチングの最適化を行う。
論文参考訳（メタデータ） (2026-05-08T09:02:47Z)
Continuous-Time Distribution Matching for Few-Step Diffusion Distillation [57.28746398500951]
本稿では,CDM(Continuous-Time Distribution Matching)を導入し,DMDフレームワークを個別アンカーから連続最適化へ移行する。まず、固定離散スケジュールをランダム長の動的連続スケジュールに置き換える。第二に、学生の速度場を介して外挿された潜伏者に対してアクティブな軌道外マッチングを行う連続時間アライメント目的を提案する。
論文参考訳（メタデータ） (2026-05-07T14:56:39Z)
MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
論文参考訳（メタデータ） (2026-02-14T14:00:06Z)
Reproducing DragDiffusion: Interactive Point-Based Editing with Diffusion Models [0.0]
DragDiffusionは、インタラクティブなポイントベースの画像編集のための拡散に基づく方法である。この研究は、著者がリリースした実装とDragBenchベンチマークを用いたDragDiffusionの研究を示す。
論文参考訳（メタデータ） (2026-02-12T20:40:43Z)
A Decomposable Forward Process in Diffusion Models for Time-Series Forecasting [2.24303609250571]
本稿では,スペクトル成分に信号を分解する時系列予測のためのモデルに依存しない前方拡散プロセスを提案する。成分エネルギーに応じてノイズ注入を行うことで、主周波数に対する高信号対雑音比を維持する。本稿では,フーリエ変換やウェーブレット変換などのスペクトル分解手法を適用することにより,拡散モデルにより連続的に改善されることを示す。
論文参考訳（メタデータ） (2026-01-29T14:55:43Z)
UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2025-12-08T05:36:14Z)
Continuous-time Discrete-space Diffusion Model for Recommendation [25.432419904462694]
CDRecは、新しいContinuous-time Discrete-space Diffusion Recommendationフレームワークである。これは推奨精度と計算効率の両方において優れている。実世界のデータセットの実験は、推奨精度と計算効率の両方においてCDRecの優れた性能を示す。
論文参考訳（メタデータ） (2025-11-15T09:06:57Z)
Broadening Target Distributions for Accelerated Diffusion Models via a Novel Analysis Approach [49.97755400231656]
本研究では,新しいDDPMサンプリング器が,これまで考慮されていなかった3種類の分散クラスに対して高速化性能を実現することを示す。この結果から, DDPM型加速サンプリング器におけるデータ次元$d$への依存性が改善された。
論文参考訳（メタデータ） (2024-02-21T16:11:47Z)
Instructed Diffuser with Temporal Condition Guidance for Offline Reinforcement Learning [71.24316734338501]
テンポラリ・コンポラブル・ディフューザ(TCD)を用いた実効時間条件拡散モデルを提案する。 TCDは、相互作用シーケンスから時間情報を抽出し、時間条件で生成を明示的にガイドする。提案手法は,従来のSOTAベースラインと比較して最高の性能を達成または一致させる。
論文参考訳（メタデータ） (2023-06-08T02:12:26Z)
First Hitting Diffusion Models [19.19644194006565]
First Hitting Diffusion Models (FHDM) は、ランダムな最初のヒット時間で終了する拡散プロセスでデータを生成する。品質と速度の両面で、最先端のアプローチと比較して、かなりの改善が見られた。
論文参考訳（メタデータ） (2022-09-02T17:01:32Z)

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。