論文の概要: One Sequential Recommendation Model Pretrained from Synthetic Priors Predicts Multiple Datasets

• arxiv url: http://arxiv.org/abs/2606.15752v1
• Date: Sun, 14 Jun 2026 11:28:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.823577
• Title: One Sequential Recommendation Model Pretrained from Synthetic Priors Predicts Multiple Datasets
• Title（参考訳）: 複数のデータセットを予測した合成優先から事前学習した1つの逐次推薦モデル
• Abstract要約: 逐次レコメンデーションのための事前データフィットネットワークであるSRPFNを提案する。 SRPFNは、1つのフォワードパスにおける次の項目を、ターゲットドメインの勾配ベースのパラメータ更新なしで予測する。
• 参考スコア（独自算出の注目度）: 30.22142935273037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing sequential recommendation models rely on dataset-specific training, where the learned parameters are fitted to the item catalog and the observed interaction distribution of the training data. This limits generalization to new domains, typically requiring retraining from scratch. In this work, we propose SRPFN, a Prior-data Fitted Network for sequential recommendation -- predicting the next item in a single forward pass without any gradient-based parameter updates in the target domain. SRPFN is pretrained offline on 25.6M sequences sampled from a synthetic prior that spans diverse item-to-item transition patterns, learning to produce posterior predictive next-item distributions. At inference time, SRPFN generates recommendations by conditioning on a support set of item-item transition examples from the target domain, adapting to domain-specific patterns without retraining. Extensive experiments on five benchmarks across 10 baselines show that SRPFN achieves the best or second-best performance across nearly all metrics and datasets, while being substantially more computationally efficient than trained baselines. These results establish that a single model pretrained on synthetic priors can generalize across diverse real-world domains, offering a framework for update-free sequential recommendation.
• Abstract（参考訳）: 既存のシーケンシャルレコメンデーションモデルはデータセット固有のトレーニングに依存しており、学習したパラメータはトレーニングデータの項目カタログと観察された相互作用分布に適合する。 これにより、新しい領域への一般化が制限され、通常はスクラッチから再訓練する必要がある。 本研究では,SRPFNを提案する。SRPFNは逐次レコメンデーションのための事前データフィットネットワークで,対象領域の勾配に基づくパラメータ更新を伴わずに,単一の前方通過で次の項目を予測する。 SRPFNは、様々なアイテム間遷移パターンにまたがる合成前の25.6M配列で、オフラインでトレーニングされる。 推論時に、SRPFNは、対象ドメインからの項目-項目遷移例のサポートセットを条件付けしてレコメンデーションを生成し、再トレーニングせずにドメイン固有のパターンに適応する。 10のベースラインにまたがる5つのベンチマークの大規模な実験によると、SRPFNはトレーニングされたベースラインよりも大幅に計算効率が高く、ほぼすべてのメトリクスとデータセットで最高の、または2番目のパフォーマンスを達成している。 これらの結果から、合成事前に事前訓練された1つのモデルが、様々な現実世界のドメインにまたがって一般化し、更新不要なシーケンシャルレコメンデーションのためのフレームワークを提供することが明らかとなった。

関連論文リスト

• RecPFN: Prior-Fitted Networks for In-Context-Based Recommendations [0.0]
  本稿では,コンテクスト内学習を逐次推奨するネットワークRecPFNを紹介する。 RecPFNは、広く構造的な因果関係からサンプリングされた合成クリックストリーム環境に完全に事前訓練されている。 ウェイト更新なしで、単一のフォワードパスでクエリの次のイテム予測を生成する。
  論文  参考訳（メタデータ） (2026-08-20T07:35:03Z)
• Listwise Preference Diffusion Optimization for User Behavior Trajectories Prediction [41.53271688465831]
  ユーザ行動軌跡予測(UBTP)を,長期ユーザの嗜好を明示的にモデル化するタスク設定として定式化する。 項目列全体に対して構造化された嗜好を直接最適化する拡散に基づくトレーニングフレームワークであるリスワイズ・ディフュージョン・最適化(LPDO)を導入する。 多段階の予測品質を厳密に評価するために、正確な軌跡合意を計測するタスク特異的な逐次マッチング(SeqMatch)を提案し、確率的忠実度を評価するパープレキシティ(PPL)を採用する。
  論文  参考訳（メタデータ） (2025-11-01T12:16:24Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• Zero-shot Meta-learning for Tabular Prediction Tasks with Adversarially Pre-trained Transformer [2.1677183904102257]
  本稿では、実世界のデータセットを事前学習することなく、表形式の予測タスクでゼロショットメタ学習を行うことのできるAdversarially Pre-trained Transformer(APT)を提案する。 APTは、異なる合成データセットで意図的にモデルに挑戦する敵対的な合成データエージェントで事前訓練されている。 筆者らのフレームワークは,データセットの特徴をフィルタリングすることなく,小さな分類タスクにおける最先端のパフォーマンスと一致していることを示す。
  論文  参考訳（メタデータ） (2025-02-06T23:58:11Z)
• Sample Enrichment via Temporary Operations on Subsequences for Sequential Recommendation [15.718287580146272]
  本稿では,SETO(Subsequences on Subsequences)を用いたサンプルエンリッチメントという,シーケンシャルレコメンデーションのための新しいモデルに依存しない高汎用フレームワークを提案する。 複数の実世界のデータセットにまたがる、複数の代表的および最先端のシーケンシャルレコメンデーションモデルに対するSETOの有効性と汎用性を強調します。
  論文  参考訳（メタデータ） (2024-07-25T06:22:08Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Towards Automatic Sampling of User Behaviors for Sequential Recommender Systems [5.46875780473223]
  本稿では,一様でない過去の行動を扱うために,AutoSAMというシーケンシャルレコメンデーションのための新しい自動サンプリングフレームワークを提案する。 ベンチマークレコメンデーションモデルと4つの実世界のデータセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-11-01T09:25:21Z)
• On the Trade-off of Intra-/Inter-class Diversity for Supervised Pre-training [72.8087629914444]
  教師付き事前学習データセットのクラス内多様性(クラス毎のサンプル数)とクラス間多様性(クラス数)とのトレードオフの影響について検討した。 トレーニング前のデータセットのサイズが固定された場合、最高のダウンストリームのパフォーマンスは、クラス内/クラス間の多様性のバランスがとれる。
  論文  参考訳（メタデータ） (2023-05-20T16:23:50Z)
• Enhancing Few-shot NER with Prompt Ordering based Data Augmentation [59.69108119752584]
  本稿では,PODA(Prompt Ordering Based Data Augmentation)手法を提案する。 3つのパブリックNERデータセットの実験結果とさらなる分析により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-19T16:25:43Z)
• Generating Query Focused Summaries without Fine-tuning the Transformer-based Pre-trained Models [0.6124773188525718]
  新しいデータセットごとに自然言語処理(NLP)モデルを微調整するには、炭素フットプリントの増加とコストの増大に伴う高い計算時間が必要である。 本稿では,MMR(Marginal Maximum Relevance)に基づくアプローチが,事前学習に使用しなかった新しいデータセットから直接,クエリ中心の要約を得る上で有効かどうかを検討する。 実験結果から示すように,MMRに基づく手法では,最も関連性の高い文を要約としてランク付けし,個々の事前学習モデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-03-10T22:40:15Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)
• Document Ranking with a Pretrained Sequence-to-Sequence Model [56.44269917346376]
  関連ラベルを「ターゲット語」として生成するためにシーケンス・ツー・シーケンス・モデルをどのように訓練するかを示す。 提案手法は,データポーラ方式におけるエンコーダのみのモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-03-14T22:29:50Z)

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。