論文の概要: TRACER: Token ReAssignment for Concept ERasure in Generative Recommendation

• arxiv url: http://arxiv.org/abs/2606.07688v1
• Date: Fri, 05 Jun 2026 05:19:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.278192
• Title: TRACER: Token ReAssignment for Concept ERasure in Generative Recommendation
• Title（参考訳）: TRACER:ジェネレーティブレコメンデーションにおける概念啓発のためのトークン再割り当て
• Authors: Ziheng Chen, Jiali Cheng, Zezhong Fan, Hadi Amiri, Diyuan Wu, Gabriele Tolomei, Yang Zhang,
• Abstract要約: トークン再割り当てに基づくエンドツーエンドのアンラーニングフレームワークであるTRACERを提案する。 TRACERは対象概念を効果的に除去し、既存の未学習ベースラインよりもかなり優れた推奨ユーティリティを保ちます。
• 参考スコア（独自算出の注目度）: 25.64345384017572
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Generative recommendation formulates next-item prediction as autoregressive generation over semantic ID (SID) sequences derived from users' historical interactions, making modern recommender systems structurally similar to large language models (LLMs). As privacy and safety concerns grow, these systems increasingly require concept unlearning to remove sensitive or harmful concepts associated with items. However, existing LLM unlearning methods cannot be directly applied to generative recommendation. Unlike word tokens with explicit semantics, SIDs are abstract identifiers that are often shared by both forget and retain items, leading to severe conflicts between concept removal and recommendation utility preservation. To address this challenge, we propose TRACER, an end-to-end concept unlearning framework based on token reassignment. Rather than directly suppressing shared SIDs, TRACER reassigns concept-related items to alternative tokens that better facilitate forgetting while minimizing side effects on retained items. We further introduce a coherence regularizer to preserve semantic consistency among retain items during unlearning. Experiments on real-world recommendation datasets demonstrate that TRACER effectively removes target concepts while substantially better preserving recommendation utility than existing unlearning baselines.
• Abstract（参考訳）: ジェネレーティブ・レコメンデーションは、ユーザの歴史的相互作用から派生したセマンティックID (SID) 配列に対する自己回帰生成として次点予測を定式化し、現代のレコメンデーションシステムは大規模言語モデル (LLM) と構造的に類似している。 プライバシーと安全性の懸念が高まるにつれて、これらのシステムは、アイテムに関連する機密性や有害な概念を取り除くために、概念を未学習にする必要がある。 しかし、既存のLLMアンラーニング手法は、生成的レコメンデーションに直接適用することはできない。 明示的な意味を持つ単語トークンとは異なり、SIDはアイテムを忘れたり保存したりすることでしばしば共有される抽象的な識別子であり、概念の削除と推奨ユーティリティ保存の間に深刻な衝突を引き起こす。 この課題に対処するため,トークン再割り当てに基づくエンドツーエンドのアンラーニングフレームワークであるTRACERを提案する。 共有SIDを直接抑制するのではなく、TRACERはコンセプト関連アイテムを代替トークンに再割り当てすることで、保存されたアイテムに対する副作用を最小限にしつつ、忘れやすくする。 さらに,非学習時の保持項目間のセマンティック一貫性を維持するコヒーレンス・レギュレータを導入する。 実世界のレコメンデーションデータセットの実験では、TRACERがターゲット概念を効果的に排除し、既存の未学習ベースラインよりもかなり優れたレコメンデーションユーティリティを維持できることが示されている。

関連論文リスト

• MeGU: Machine-Guided Unlearning with Target Feature Disentanglement [73.49657372882082]
  本稿では,概念意識の再調整を通じて学習をガイドする新しいフレームワークを提案する。 MeGUは制御的かつ選択的に忘れることを可能にし、アンダーアンラーニングとオーバーアンラーニングの両方を効果的に緩和する。
  論文  参考訳（メタデータ） (2026-02-19T05:20:31Z)
• Rethinking Generative Recommender Tokenizer: Recsys-Native Encoding and Semantic Quantization Beyond LLMs [17.944727019161878]
  ReSIDは、情報保存とシーケンシャルな予測可能性の観点から学ぶことを推奨する、原則化されたSIDフレームワークである。 高いシーケンシャルおよびSIDベースの生成ベースラインを平均10%以上上回り、トークン化コストを最大122倍削減する。
  論文  参考訳（メタデータ） (2026-02-02T17:00:04Z)
• A Simple Contrastive Framework Of Item Tokenization For Generative Recommendation [19.848402658341985]
  コントラスト学習に基づく新しい教師なし深層量子化手法SimCITを提案する。 SimCITは、相互に有益なコントラスト学習フレームワークにおいて、マルチモーダルな知識アライメントとセマンティックトークン化を組み合わせる。
  論文  参考訳（メタデータ） (2025-06-20T01:54:32Z)
• SAGE: Exploring the Boundaries of Unsafe Concept Domain with Semantic-Augment Erasing [65.82241040239452]
  望ましくない概念に微妙な重みを消去する概念。 既存の方法は、安全でない概念を固定語として扱い、繰り返し消去する。 本稿では,概念語消去を概念ドメイン消去に変換する意味拡張消去について紹介する。
  論文  参考訳（メタデータ） (2025-06-11T03:21:24Z)
• Semantic Convergence: Harmonizing Recommender Systems via Two-Stage Alignment and Behavioral Semantic Tokenization [10.47505806629852]
  大規模言語モデル(LLM)は、歴史的行動からユーザの深い関心を識別する能力を持っている。 従来のレコメンデーションモデルとLLMの長所を調和的に融合する新しいフレームワークを提案する。 我々は、協調的な信号と自然言語意味論の微妙さを整合させることを目的とした、教師付き学習タスクのシリーズを設計する。
  論文  参考訳（メタデータ） (2024-12-18T12:07:58Z)
• Learning Multi-Aspect Item Palette: A Semantic Tokenization Framework for Generative Recommendation [55.99632509895994]
  マルチアスペクトセマンティックトークン化のための新しいアプローチであるLAMIAを紹介する。 単一の埋め込みを使用するRQ-VAEとは異なり、LAMIAは独立的でセマンティックな並列な埋め込みの集合である「アイテムパレット」を学習する。 その結果,提案手法よりも提案手法の精度が大幅に向上した。
  論文  参考訳（メタデータ） (2024-09-11T13:49:48Z)
• Learnable Item Tokenization for Generative Recommendation [113.80559032128065]
  LETTER (Larnable Tokenizer for generaTivE Recommendation) を提案する。 LETTERは、セマンティック正規化のためのResidual Quantized VAE、協調正規化のためのコントラストアライメント損失、コードの割り当てバイアスを軽減するための多様性損失を組み込んでいる。
  論文  参考訳（メタデータ） (2024-05-12T15:49:38Z)

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。