論文の概要: From Extraction to Navigation: Progressive Retrieval with Indirectly Infinite Depth
- arxiv url: http://arxiv.org/abs/2606.29970v1
- Date: Mon, 29 Jun 2026 08:47:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.133889
- Title: From Extraction to Navigation: Progressive Retrieval with Indirectly Infinite Depth
- Title（参考訳）: 抽出からナビゲーションへ:間接無限深さのプログレッシブ検索
- Abstract要約: 我々は、ステートフルな自律グラフ探索として検索をモデル化するフレームワークIID-Navを提案する。
IID-Navは、厳格な遅延予算の下で、主流の検索ベースラインを超えることを示す。
- 参考スコア（独自算出の注目度）: 48.51564669100653
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern large-scale recommender retrieval is shifting from static similarity matching to dynamic item space navigation, framing retrieval as iterative goal-driven graph traversal. Conventional item-to-item (i2i) methods fall into the "interest tunnel" and fail to excavate deep user interests, while existing index-based retrieval suffers from persistent "search drift", caused by static entry nodes and fixed graph topologies unable to track shifting real-time user intent. To resolve the above defects, we present IID-Nav, a framework modeling retrieval as stateful autonomous graph exploration with three core contributions: (1) A goal-aware navigation policy substituting passive neighborhood expansion with active intent routing supervised by a target discriminator; (2) A recursive state evolution mechanism supporting Indirectly Infinite Depth (IID) via cross-request state reuse, which enables logical unlimited-depth graph traversal without linearly rising inference latency; (3) A trajectory-aligned training paradigm equipped with graph hard negative sampling to stabilize optimization over full navigation paths. Evaluations on billion-level industrial datasets show IID-Nav surpasses mainstream retrieval baselines under strict latency budgets. Empirical results verify that our method alleviates search drift remarkably and retains high precision for deep retrieval paths, offering an efficient, robust retrieval solution for industrial recommendation systems.
- Abstract（参考訳）: 現代の大規模リコメンデータ検索は、静的類似性マッチングから動的アイテム空間ナビゲーションへ移行し、反復的なゴール駆動グラフトラバーサルとしてのフレーミング検索へと移行している。
既存のインデックスベースの検索は、静的エントリノードと固定グラフトポロジによって引き起こされる永続的な"検索ドリフト"に悩まされており、リアルタイムなユーザ意図の変化を追跡できない。
上記の欠陥を解決するために,(1)目標判別器が監督するアクティブインテントルーティングによる受動近傍拡張を代替する目標認識ナビゲーションポリシー,(2)クロスリクエスト状態再利用による間接的無限深度(IID)を支援する再帰的状態進化機構,(3)グラフの負のサンプリングを具備したトラジェクティブ・アライントレーニングパラダイム,の3つのコアコントリビューションを用いたステートフルな自律グラフ探索としてのフレームワークID-Navを提案する。
数十億単位の産業データセットの評価によると、IDI-Navは厳格な遅延予算の下で、主流の検索ベースラインを超えている。
実験により,提案手法が探索ドリフトを著しく軽減し,深部検索経路の精度を保ち,産業レコメンデーションシステムのための効率的で堅牢な検索ソリューションを提供することを確認した。
関連論文リスト
- Human-Aware Target Tracking and Navigation: Fusing Kinematic State Estimation with Structural Map Constraints [3.9308813646788625]
本研究は,地図インフォームド空間推論による目標閉塞に対処するエンド・ツー・エンドの自律ナビゲーションスタックを提案する。
提案システムは,2次元LiDAR点クラスタリングによる深層学習に基づく視覚的トラッキングを融合して,タグ付き人物の高忠実度追跡を行うマルチモーダル認識パイプラインを備える。
密集した多人数環境における実世界の評価は、システムの堅牢性を示し、71.4%の目標再獲得成功率を達成した。
論文 参考訳（メタデータ） (2026-09-07T06:31:17Z) - STEGNav: Spatio-Temporal Event Graph Reasoning for Multimodal Lifelong Object Navigation [17.685326212060716]
本研究では,従来のシーングラフを相補的空間軸,時間軸に沿ってイベントグラフに拡張する学習自由フレームワークを提案する。
STEGNavは、GOAT-Benchで66.3%のSRと39.7のSPL、HM3D1とHM3Dv2でそれぞれ64.0%と69.4%を達成している。
論文 参考訳（メタデータ） (2026-08-28T12:42:16Z) - G-ReAct: Graph-Guided Deep Search via Structure-State Co-Evolution [16.818086150132853]
$textbfG-ReActはディープ検索のための推論フレームワークである。
それは、固定トポロジークエリグラフ上の$textbfstateの進化として推論を整理する。
G-ReActはトレーニングと推論の両方をサポートしている。
論文 参考訳（メタデータ） (2026-08-02T15:43:37Z) - Rethinking Embodied Navigation via Relational Inductive Bias [53.72276435022479]
本稿では,DB-Navを提案する。
標的中心の関係を活性化バイアスと抑制バイアスに分類する。
成功率(SR)と成功率(SPL)はパス長さ(SPL)が重み付けされているため、既存の方法よりも著しく優れています。
論文 参考訳（メタデータ） (2026-06-09T02:57:34Z) - Deep Dense Exploration for LLM Reinforcement Learning via Pivot-Driven Resampling [13.584783462913535]
Deep Dense Exploration (DDE) は、$textitpivots$-deep、リカバリ可能な状態を軌道上で探索する戦略である。
我々の手法はGRPOや木に基づく手法、その他の強力なベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2026-02-15T14:44:15Z) - Breaking the Static Graph: Context-Aware Traversal for Robust Retrieval-Augmented Generation [12.71443292660797]
堅牢なRAGのためのコンテキスト認識トラバーサルであるCatRAGを提案する。
CatRAGはHippoRAG 2アーキテクチャ上に構築され、静的なKGをクエリ適応ナビゲーション構造に変換する。
4つのマルチホップベンチマークの実験では、CatRAGはアートベースラインの状態を一貫して上回っている。
論文 参考訳（メタデータ） (2026-02-02T11:13:38Z) - DAgger Diffusion Navigation: DAgger Boosted Diffusion Policy for Vision-Language Navigation [73.80968452950854]
Vision-Language Navigation in Continuous Environments (VLN-CE) は、エージェントが自由形式の3D空間を通して自然言語の指示に従う必要がある。
既存のVLN-CEアプローチは通常、2段階のウェイポイント計画フレームワークを使用する。
本稿では,エンドツーエンド最適化VLN-CEポリシとしてDAgger Diffusion Navigation (DifNav)を提案する。
論文 参考訳（メタデータ） (2025-08-13T02:51:43Z) - DELTAv2: Accelerating Dense 3D Tracking [79.63990337419514]
本稿では,ビデオ中の高密度3次元点追跡を高速化するための新しいアルゴリズムを提案する。
極小点の小さな部分集合で追跡を開始し、トラックされた軌道の集合を段階的に拡大する粗大な戦略を導入する。
新たに追加されたトラジェクトリは学習可能なモジュールを使用しており、トラッキングネットワークとともにエンドツーエンドでトレーニングされている。
論文 参考訳（メタデータ） (2025-08-02T03:15:47Z) - DORAEMON: Decentralized Ontology-aware Reliable Agent with Enhanced Memory Oriented Navigation [55.888688171010365]
DORAEMONは、人間のナビゲーション機能を模倣したVentralとDorsal Streamsで構成される、認知にインスパイアされたフレームワークである。
我々は,DORAEMONをHM3D,MP3D,GOATのデータセット上で評価し,成功率(SR)と成功度(SPL)の測定値の両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-05-28T04:46:13Z) - RSRNav: Reasoning Spatial Relationship for Image-Goal Navigation [57.197881161006904]
近年のイメージゴールナビゲーション(ImageNav)手法は,目標と自我中心の画像の意味的特徴を別々に捉え,知覚行動ポリシーを学習している。
本稿では,目標と現在の観測値の空間的関係をナビゲーションガイダンスとして考慮する,シンプルで効果的な手法であるRSRNavを提案する。
論文 参考訳（メタデータ） (2025-04-25T00:22:17Z) - Accelerating Inverse Learning via Intelligent Localization with
Exploratory Sampling [1.5976506570992293]
逆問題の解決は 物質と薬物発見の 長年の課題です
近年,逆問題の解法として深部生成モデルが提案されている。
逆学習を高速化する新しい手法(iPage)を提案する。
論文 参考訳（メタデータ） (2022-12-02T08:00:04Z)
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。