論文の概要: Mutable Low-Rank Sketches for Retrain-Free Recommendation

• arxiv url: http://arxiv.org/abs/2607.15242v1
• Date: Thu, 16 Jul 2026 17:39:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.198916
• Title: Mutable Low-Rank Sketches for Retrain-Free Recommendation
• Title（参考訳）: Retrain-Free Recommendationのための可変低ランクケッチ
• Abstract要約: 変更可能なスケッチは、各ユーザの好みをKPツリーに格納し、低ランクのプロジェクションに一度適合させ、レーティングが到着した時に埋め込む。 KuaiRecでは、変更可能なスケッチは0.810 RMSEを1.8%のデータ読み込みで達成し、ALS 0.822を100%、バッチ毎に8倍高速に更新する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A common bottleneck in two-stage recommendation is embedding staleness: when a user rates a new item, their embedding remains fixed until the next retrain cycle. We propose mutable sketches, which store each user's preferences in a KP-tree (a sparse segment tree with sum aggregation), fit a low-rank projection once, and recompute embeddings on-the-fly as ratings arrive. We prove that each new observation monotonically tightens the prediction error envelope (Theorem 1), a guarantee that FunkSVD and eALS lack. On KuaiRec, the mutable sketch achieves 0.810 RMSE at 1.8% data read vs. ALS 0.822 at 100%, with 8x faster per-batch updates. A new user receives personalized recommendations in <1 ms after their first rating, with no model retraining required. A comparison of sampling strategies across density regimes shows that the KP-tree's norm-proportional sampling provides 40-130% better item coverage on sparse data (<1% density), while uniform sampling suffices on dense matrices.
• Abstract（参考訳）: ユーザが新しいアイテムを評価した場合、その埋め込みは次の再トレーニングサイクルまで固定されます。 そこで我々は,各ユーザの好みをKPツリーに格納する可変スケッチを提案する。 FunkSVD と eALS が欠落している保証である予測誤差エンベロープ (Theorem 1) を単調に締め付けることを証明する。 KuaiRecでは、変更可能なスケッチは0.810 RMSEを1.8%のデータ読み込みで達成し、ALS 0.822を100%、バッチ毎に8倍高速に更新する。 新しいユーザは、最初の評価から1ms未満でパーソナライズされたレコメンデーションを受け取り、モデルの再トレーニングは不要である。 密度レジーム間のサンプリング戦略の比較では、KP-ツリーのノルム比例サンプリングはスパースデータに対して40～130%の項目カバレッジ(1%の密度)を提供する一方で、密度行列上での一様サンプリングサッフィス(英語版)を提供する。

関連論文リスト

• Rollcast: Proper-Score Gated Rolling Anchors for Adaptive Probabilistic Time-Series Forecasting [0.0]
  ローリングは、中央値、極端値、回帰エンドポイント、および量子化が候補予測位置を定義することを意味する。 状態依存ソフトマックスゲートは、負の対数予測密度を最小化してアンカー確率を学習する。 再帰シミュレーションは、結果の混合を複数の予測水平線上で伝播する。
  論文  参考訳（メタデータ） (2026-09-03T18:50:29Z)
• Sample-Adaptive Latent Rewards for Uncertainty-Guided Diffusion Post-Training [51.18425726646089]
  我々は、画像とビデオの拡散モデルのための統合潜在空間フレームワークであるtextscSUREを提案する。 報酬分布を学習し、信頼性を直接利用して、密集したポストトレーニングをガイドする。 textscSURE-REFLは評価手法の中で最も高いVBench品質、セマンティック、総得点を達成する。
  論文  参考訳（メタデータ） (2026-08-06T14:55:42Z)
• Conditioning Tree-Based Diffusions and Flows for Probabilistic Tabular Regression [0.0]
  木に基づく拡散モデルは、神経密度推定器を使わずに回帰の柔軟な条件付き予測分布に適合する。 これらのデフォルトはバインディングの制約であることを示す: 勾配のブーストされたアンサンブルが実際に解決するのは、教師付き回帰問題である。 DiffGBM を2つの軸に沿って明示する。
  論文  参考訳（メタデータ） (2026-07-30T22:08:02Z)
• K-ABENA: K-Adaptive Backpropagation with Error-based N-exclusion Algorithm : (Compensated Loss-Based Sample Exclusion with Unbiased Gradient Estimation) [0.0]
  K-ABENAK-Adaptive Backpropagation with Error-based N-exclusionは選択的な計算フレームワークである。 これは、少量の低損失("ミニ")観測を除外することで、イット当たりの計算トレーニングコストを削減する。 ラベル制限下で0.386の精度(ベースライン:0.832)、極端な不均衡下で0.53のAUCに崩壊する。
  論文  参考訳（メタデータ） (2026-07-07T06:58:51Z)
• Full-range Binary Classifier Calibration for Stable Model Updates in Production [0.23689955632456086]
  敵対的環境で実行される検出モデルは、良性分布が比較的安定している間に急速にドリフトする悪意のある分布に直面します。 既存のキャリブレーションプリミティブ上に構築されたFPR曲線全体を対象とする手法を提案する。 観察された相対FPR誤差は10%から0.1%FPRに、0.01%FPRに7.2%まで、少なくとも2.3%であった。
  論文  参考訳（メタデータ） (2026-07-06T15:44:47Z)
• Data Deletion Can Help in Adaptive RL [30.873221510403866]
  実世界における強化学習ポリシーの展開には、時間的な環境への適応が必要である。 本研究では,環境の族がテスト時に未知の低次元の文脈によってインデックス付けされるような,文脈的マルコフ決定プロセス(cMDP)フレームワークでこの問題を研究する。 各ラウンドの後にトレーニングバッファの断片をランダムに削除することで、推定器を大幅に改善する、単純で直感的なトリックを識別する。 これは、データが徐々に改善されたポリシーを使用して複数のラウンドにまたがって収集されるためであり、古いトラジェクトリは、デプロイメント時に推定器が直面するものとは異なる分布から来る。
  論文  参考訳（メタデータ） (2026-04-30T23:58:22Z)
• Putting HUMANS first: Efficient LAM Evaluation with Human Preference Alignment [53.72927532626824]
  わずか50個のサンプル(0.3%のデータ)のサブセットは、完全なベンチマークスコアと0.93以上のピアソン相関を達成可能であることを示す。 選好をより良く予測するために、選択したサブセットの回帰モデルを訓練し、0.98の相関を達成した。 これは回帰モデリングにおいて、よく計算されたサブセットが完全なベンチマークを予測し、量を超える品質を示すことを示している。
  論文  参考訳（メタデータ） (2026-04-20T00:57:31Z)
• Sparse Regression under Correlation and Weak Signals: A Reproducible Benchmark of Classical and Bayesian Methods [1.6679662639178268]
  合成データに対する6つのスパース回帰法をベンチマークした。 ベイズ法は予測誤差(MSE 72 vs. 108-267)で勝利し、ホースシューは95%近くをカバーしている(94.8%)。 可変選択の場合、F1 0.47のラッソとスパイク・アンド・スラブのネクタイは、後部が不要な場合に事実上のデフォルトとなる。
  論文  参考訳（メタデータ） (2026-04-04T15:46:44Z)
• Your Absorbing Discrete Diffusion Secretly Models the Bayesian Posterior [0.0]
  フォワード汚濁分布下での期待デノイザ出力が真の後部を回復することを示す。 我々は、K個の独立な分極パスを実行し、後続手段と分散の両方を集約する推論時アンサンブルを導入する。
  論文  参考訳（メタデータ） (2025-07-10T09:42:47Z)
• One Sample is Enough to Make Conformal Prediction Robust [53.78604391939934]
  共形予測は, 1つのランダムな摂動入力に対して前方通過しても, ある程度の堅牢性が得られることを示す。 提案手法は,入力毎に多数のパス(例えば100回程度)を使用するSOTA法と比較して,平均セットサイズが小さいロバストな集合を返す。
  論文  参考訳（メタデータ） (2025-06-19T19:14:25Z)
• Robust Conformal Prediction with a Single Binary Certificate [58.450154976190795]
  コンフォーマル予測(CP)は、任意のモデルの出力を、真のラベルを(調整可能な)高い確率でカバーすることを保証した予測セットに変換する。 我々は,MCサンプルが著しく低い場合でも,より小さな集合を生成する頑健な共形予測を提案する。
  論文  参考訳（メタデータ） (2025-03-07T08:41:53Z)
• Knockoffs-SPR: Clean Sample Selection in Learning with Noisy Labels [56.81761908354718]
  雑音ラベルを用いた学習のための,理論的に保証されたクリーンサンプル選択フレームワークを提案する。 Knockoffs-SPRは、標準的な教師付きトレーニングパイプラインのサンプル選択モジュールと見なすことができる。 さらに、ラベルなしデータとしてノイズデータのサポートを利用する半教師付きアルゴリズムと組み合わせる。
  論文  参考訳（メタデータ） (2023-01-02T07:13:28Z)
• Tent: Fully Test-time Adaptation by Entropy Minimization [77.85911673550851]
  モデルは、テスト中に新しいデータや異なるデータに一般化するように適応する必要があります。 この完全なテスト時間適応の設定では、モデルはテストデータとそれ自身のパラメータしか持たない。 実験エントロピー最小化(tent): 予測のエントロピーによって測定された信頼度に対するモデルを最適化する。
  論文  参考訳（メタデータ） (2020-06-18T17:55:28Z)

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。