論文の概要: ANCHOR: Agentic Noise Creation Framework for Human Simulation and Denoising Recommendation

• arxiv url: http://arxiv.org/abs/2606.05621v1
• Date: Thu, 04 Jun 2026 02:46:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.505251
• Title: ANCHOR: Agentic Noise Creation Framework for Human Simulation and Denoising Recommendation
• Title（参考訳）: AnCHOR:人体シミュレーションのためのエージェントノイズ生成フレームワーク
• Authors: Xiangming Li, Hua Chu, Chengyu Feng, Jianan Li, Yangtao Zhou,
• Abstract要約: 本稿では,最近のLLM-as-User研究に触発されたエージェントベースのフレームワークであるANCHORを提案する。 ANCHORは、ユーザの振る舞いをシミュレートして、現実的なノイズラベルを生成し、ノイズ生成とノイズ認識という2つの段階を通して教師付き雑音を発生させる。
• 参考スコア（独自算出の注目度）: 8.940102827747355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Distilling accurate user preferences from noisy implicit feedback remains a fundamental bottleneck in recommendation systems, highlighting the need for recommendation denoising. However, real-world data lack explicit noise annotations, forcing existing methods to rely on unsupervised side information or handcrafted heuristics. These approaches often incur high external costs, generalize poorly, or depend on unreliable priors, causing noise misidentification and corrupting true user preference representations. To address these limitations, we propose a paradigm-level reformulation of recommendation denoising. Instead of indirectly inferring noisy interactions through heuristics, our Creation-Recognition paradigm proactively creates labeled noisy interactions and trains a dedicated recognizer to identify them, transforming denoising from heuristic filtering into supervised learning. Based on this paradigm, we present ANCHOR, an agent-based framework inspired by recent LLM-as-User research. ANCHOR simulates user behaviors to generate realistic noise labels and enables supervised denoising through two stages: noise creation and noise recognition. In the noise creation stage, ANCHOR adopts a recommender-in-the-loop agentic architecture to synthesize both diverse out-of-preference noise and informative boundary-adjacent noise. For out-of-preference noise, it implements five extensible simulation mechanisms to approximate major sources of noisy implicit feedback. For boundary-adjacent noise, an adversarial boundary refinement mechanism generates ambiguous interactions that challenge the recognizer and target the decision boundary. In the noise recognition stage, ANCHOR leverages the generated labels to train a reusable parametric recognizer that integrates collaborative signals and semantic representations to detect noise patterns in real interaction data.
• Abstract（参考訳）: ノイズの多い暗黙のフィードバックから正確なユーザの好みを消去することは、レコメンデーションシステムにおける根本的なボトルネックであり、レコメンデーションのデノベーションの必要性を強調している。 しかし、実世界のデータには明確なノイズアノテーションがなく、既存の手法は教師なしのサイド情報や手作りのヒューリスティックに頼らざるを得なかった。 これらのアプローチは、しばしば高い外部コストを発生させ、一般化しがたいか、または信頼できない事前に依存し、ノイズの誤認と真のユーザ好みの表現を損なう。 これらの制約に対処するため,提案手法のパラダイムレベルのレコメンデーション・デノベーションを提案する。 ヒューリスティックスを通して間接的にノイズの相互作用を推測する代わりに、我々の創造-認識パラダイムは、ラベル付きノイズの相互作用を積極的に生成し、それを識別するために専用の認識器を訓練し、ヒューリスティックフィルタリングから教師付き学習に変形する。 このパラダイムに基づいて,最近のLLM-as-User研究に触発されたエージェントベースのフレームワークであるANCHORを提案する。 ANCHORは、ユーザの振る舞いをシミュレートして、現実的なノイズラベルを生成し、ノイズ生成とノイズ認識という2つの段階を通して教師付き雑音を発生させる。 ノイズ生成の段階では、ANCHORは、様々な予測外ノイズと情報的境界隣接ノイズの両方を合成するために、レコメンダ・イン・ザ・ループのエージェントアーキテクチャを採用する。 予測外雑音に対しては、5つの拡張可能なシミュレーション機構を実装し、ノイズの多い暗黙のフィードバックの主源を近似する。 境界隣接ノイズに対して、対向境界改善機構は、認識者に挑戦し、決定境界を目標とするあいまいな相互作用を生成する。 ノイズ認識段階において、ANCHORは生成されたラベルを活用して、協調信号と意味表現を統合して実際の相互作用データ中のノイズパターンを検出する再利用可能なパラメトリック認識器を訓練する。

関連論文リスト

• Purification Before Fusion: Toward Mask-Free Speech Enhancement for Robust Audio-Visual Speech Recognition [13.50064027453736]
  高雑音の音声入力は、特徴融合プロセスに有害な干渉をもたらす傾向がある。 本稿では、音声強調と組み合わさった、エンドツーエンドノイズローバストAVSRフレームワークを提案する。 本手法は,頑健な音声認識性能を実現するために,音声の意味的整合性を保っている。
  論文  参考訳（メタデータ） (2026-01-18T14:46:08Z)
• Noise-Adaptive Regularization for Robust Multi-Label Remote Sensing Image Classification [5.658568324275769]
  付加音と減音音を区別する雑音適応正規化法であるNARを提案する。 NARは、既存の方法と比較して、一貫して堅牢性を改善する。 性能改善は、減音と混合ノイズの下で最も顕著である。
  論文  参考訳（メタデータ） (2026-01-13T11:16:45Z)
• 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)
• Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
  ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。 NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-14T13:31:34Z)
• Effective Noise-aware Data Simulation for Domain-adaptive Speech Enhancement Leveraging Dynamic Stochastic Perturbation [25.410770364140856]
  クロスドメイン音声強調(SE)は、目に見えない対象領域におけるノイズや背景情報の不足により、しばしば深刻な課題に直面している。 本研究では,ノイズ抽出技術とGANを利用した新しいデータシミュレーション手法を提案する。 本研究では,動的摂動の概念を導入し,制御された摂動を推論中の雑音埋め込みに注入する。
  論文  参考訳（メタデータ） (2024-09-03T02:29:01Z)
• DiffSED: Sound Event Detection with Denoising Diffusion [70.18051526555512]
  生成学習の観点からSED問題を再構築する。 具体的には,騒音拡散過程において,雑音のある提案から音の時間境界を生成することを目的としている。 トレーニング中は,ノイズの多い遅延クエリを基本バージョンに変換することで,ノイズ発生過程の逆転を学習する。
  論文  参考訳（メタデータ） (2023-08-14T17:29:41Z)
• Label Noise: Correcting the Forward-Correction [0.0]
  ラベルノイズのあるデータセット上でニューラルネットワーク分類器を訓練することは、ノイズのあるラベルに過度に適合するリスクをもたらす。 ラベルノイズによる過度適合に対処する手法を提案する。 本研究は, オーバーフィッティングを緩和するために, トレーニング損失に低い限界を課すことを提案する。
  論文  参考訳（メタデータ） (2023-07-24T19:41:19Z)
• Explainable Artificial Intelligence driven mask design for self-supervised seismic denoising [0.0]
  自己教師付きコヒーレントノイズ抑圧法は、ノイズ統計の広範な知識を必要とする。 本稿では,視覚ネットワークであるブラックボックスの内部を見るために,説明可能な人工知能アプローチを提案する。 ランダムに選択された多数の入力画素に対するジャコビアン寄与の簡易な平均化が、最も効果的なマスクの指標であることを示す。
  論文  参考訳（メタデータ） (2023-07-13T11:02:55Z)
• Robust Semantic Communications with Masked VQ-VAE Enabled Codebook [56.63571713657059]
  本稿では,ロバストなエンドツーエンドのセマンティック通信システムにおいて,セマンティックノイズに対処するためのフレームワークを提案する。 セマンティックノイズに対処するため、重み付き対向トレーニングを開発し、トレーニングデータセットにセマンティックノイズを組み込む。 ノイズやタスク非関連の特徴を抑える機能重要モジュール (FIM) を開発した。
  論文  参考訳（メタデータ） (2022-06-08T16:58:47Z)
• Improving Noise Robustness of Contrastive Speech Representation Learning with Speech Reconstruction [109.44933866397123]
  実環境における音声認識システムの実現には,雑音の堅牢性が不可欠である。 雑音認識のための自己教師型フレームワークにより学習したノイズロスト表現を用いる。 ラベル付きデータのわずか16%で報告された最高の教師付きアプローチに匹敵するパフォーマンスを実現した。
  論文  参考訳（メタデータ） (2021-10-28T20:39:02Z)

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。