論文の概要: Teach Multimodal Recommendation Model to See via Personalized Visual Extraction and Adaptive Learning

• arxiv url: http://arxiv.org/abs/2606.09082v1
• Date: Mon, 08 Jun 2026 06:28:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.762106
• Title: Teach Multimodal Recommendation Model to See via Personalized Visual Extraction and Adaptive Learning
• Title（参考訳）: パーソナライズされた視覚抽出と適応学習を通して見るマルチモーダル推薦モデル
• Authors: Yutong Li, Xinyi Zhang, Ziyi Ye, Daoguo Dong, Yu-gang Jiang,
• Abstract要約: 我々は、パーソナライズされた視覚抽出と適応学習(REVEAL)を通して見るためのTeach Multimodal Recommendation Modelを提案する。 REVEALは、元のレコメンデーションバックボーンを変更することなく、視覚表現学習とクロスモーダル最適化を強化するプラグイン・アンド・プレイフレームワークである。 複数の実世界のデータセットとMSRバックボーンの実験は、REVEALが常にレコメンデーションパフォーマンスを改善することを実証している。
• 参考スコア（独自算出の注目度）: 45.34206625920756
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal sequential recommendation (MSR) incorporates textual and visual information to improve recommendation quality. However, recent studies and our empirical analysis show that visual features are often underutilized, thereby contributing far less than textual signals. We attribute this issue to two factors: insufficient visual representation learning (pretrained encoders fail to capture preference-relevant cues) and unbalanced visual-text optimization (textual features dominate the learning process). To address these issues, we propose Teach Multimodal Recommendation Model to See via Personalized Visual Extraction and Adaptive Learning (REVEAL), a plug-and-play framework that enhances visual representation learning and cross-modal optimization without modifying the original recommendation backbone. REVEAL consists of Feedback-Guided Visual Extraction (FVE), which refines prompt-guided visual extraction through task-level feedback, and Adaptive Visual Learning (AVL), which dynamically reweights visual learning to alleviate modality imbalance. Experiments on multiple real-world datasets and MSR backbones demonstrate that REVEAL consistently improves recommendation performance. Further analysis shows that these gains arise from more effective attention to preference-relevant visual regions and better visual utilization during training. The code is available at https://github.com/YutongLi2024/REVEAL.
• Abstract（参考訳）: マルチモーダルシーケンシャルレコメンデーション(MSR)は、レコメンデーション品質を改善するためにテキスト情報と視覚情報を組み込む。 しかし,近年の研究では,視覚的特徴があまり利用されていないことが示され,テキスト信号よりもはるかに少ない結果が得られた。 この問題は、視覚表現学習が不十分(事前制約付きエンコーダは、嗜好関連キューをキャプチャできない)と、不均衡な視覚テキスト最適化(テキスト特徴が学習プロセスを支配している)の2つの要因に起因している。 これらの課題に対処するために,視覚的表現学習とモーダル間最適化を強化するプラグイン・アンド・プレイ・フレームワークであるREVEAL(Personalized Visual extract and Adaptive Learning)を用いたTeach Multimodal Recommendation Modelを提案する。 REVEALは、タスクレベルのフィードバックを通じて迅速な視覚的抽出を洗練するフィードバックガイドビジュアル抽出(FVE)と、動的に視覚学習を重畳してモダリティの不均衡を緩和する適応視覚学習(AVL)で構成されている。 複数の実世界のデータセットとMSRバックボーンの実験は、REVEALが常にレコメンデーションパフォーマンスを改善することを実証している。 さらなる分析により、これらの利得は、嗜好関連視覚領域へのより効果的な注意と、トレーニング中の視覚的利用の改善から生じることが示された。 コードはhttps://github.com/YutongLi2024/REVEALで公開されている。

関連論文リスト

• Reinforced Visual Perception with Tools [66.79840157663237]
  本稿では,GRPOに基づく新しいRLアルゴリズムを提案する。 本手法は,複数の知覚重度ベンチマークにおいて,最先端の性能を実現する。 我々のReVPT-3BとReVPT-7BはCV-Benchでインストラクションモデルを9.03%、9.44%上回っている。
  論文  参考訳（メタデータ） (2025-09-01T17:57:49Z)
• Revisiting Visual Understanding in Multimodal Reasoning through a Lens of Image Perturbation [38.740533834549716]
  言語のみのモデルでは、生の視覚入力を消費するMLLMと同等またはそれ以上の性能が得られることを示す。 そこで我々は,アルゴリズムの修正を必要とせず,知覚の堅牢性を高めるシンプルな視覚摂動フレームワークを提案する。 本研究は,マルチモーダル数学的推論における視覚摂動の重要性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-06-11T13:39:46Z)
• Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
  本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。 よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
  論文  参考訳（メタデータ） (2025-02-05T17:14:45Z)
• Instruction Tuning-free Visual Token Complement for Multimodal LLMs [51.138806401996696]
  マルチモーダルな大言語モデル(MLLM)は、視覚と言語の間のエレガントな橋渡しを約束している。 本稿では,MLLM が欠落した視覚機能を取り戻すのに役立つ Visual Token Complement フレームワーク (VTC) を提案する。 我々のVTCは、テキスト不関連特徴を特定するためのガイドとしてテキスト・ツー・イメージ生成を統合し、視覚的セレクタを開発し、補完的な視覚的トークンを生成する。
  論文  参考訳（メタデータ） (2024-08-09T12:13:01Z)
• COURIER: Contrastive User Intention Reconstruction for Large-Scale Visual Recommendation [33.903096803803706]
  我々は、既存のモダリティ機能を超えたさらなる改善のために、推奨に適した視覚的特徴事前学習法が必要であると論じる。 本研究では,行動履歴からユーザ興味に関連する視覚的特徴を抽出する効果的なユーザ意図再構築モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:45:24Z)

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。