論文の概要: Probabilistic Residual Learning for Online Recommendations

• arxiv url: http://arxiv.org/abs/2607.20863v1
• Date: Thu, 23 Jul 2026 02:39:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.263251
• Title: Probabilistic Residual Learning for Online Recommendations
• Title（参考訳）: オンラインレコメンデーションのための確率論的残留学習
• Abstract要約: Probabilistic Residual Learning (PRL) は、局所的残差モデリングのためにユーザをグループ化する因果ベイズ的レコメンデーションモデルである。 PRLは、さまざまなベースとなるディープラーニング推奨システムと互換性があり、意味のあるユーザクラスタを自動的に発見しながら、パフォーマンスを改善している。
• 参考スコア（独自算出の注目度）: 50.32543279885484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern recommender systems are typically based on deep learning (DL) models, where a dense encoder learns representations of users and items. As a result, these systems often suffer from the black-box nature and computational complexity of the underlying models, making it difficult to systematically enhance their recommendation capabilities. To address this problem, we propose Probabilistic Residual Learning (PRL), a causal Bayesian recommendation model that models the residual between ground-truth and base predictions, enabling targeted refinement of existing systems. Specifically, PRL (1) probabilistically groups users for localized residual modeling, (2) models domain-level confounders that influence user and item representations, and (3) aggregates cluster-specific residual predictions over the confounders using do-calculus. Experiments demonstrate that our plug-and-play PRL is compatible with various base deep learning recommender systems, improving their performance while automatically discovering meaningful user clusters.
• Abstract（参考訳）: 現代のレコメンデータシステムは一般的に、密集エンコーダがユーザやアイテムの表現を学習するディープラーニング(DL)モデルに基づいている。 結果として、これらのシステムは基礎となるモデルのブラックボックスの性質と計算の複雑さに悩まされることが多く、その推奨能力を体系的に強化することは困難である。 この問題に対処するために,提案する確率的残留学習(PRL, Probabilistic Residual Learning, Probabilistic Residual Learning)モデルを提案する。 具体的には,(1)局所的残差モデリングのための確率的グループ化,(2)ユーザおよびアイテム表現に影響を与えるドメインレベルの共同創設者のモデル化,(3)do-calculusを用いて,共同創設者に対するクラスタ固有の残差予測を集約する。 実験により,当社のプラグアンドプレイPRLは,各種ディープラーニングレコメンデータシステムと互換性があり,ユーザクラスタの自動検出による性能向上が図られている。

関連論文リスト

• Think2Go: Generative Next POI Recommendation with LLM Reasoning [57.37706163990998]
  Next Point-of-Interest (POI)レコメンデーションタスクは、ユーザの行動選好パターンを過去のチェックインからマイニングすることに焦点を当て、次の目的地へのパーソナライズされた提案を提供する。 既存の手法は、次のPOIを予測するために、浅いコンテキスト情報と手作りの特徴相互作用に依存している。 本稿では,SID表現の理解を深め,テスト時間計算による多様な時空間パターンを探索する新しい次世代POIレコメンデーションフレームワークThink2Goを提案する。
  論文  参考訳（メタデータ） (2026-07-31T03:52:20Z)
• Can Recommender Systems Teach Themselves? A Recursive Self-Improving Framework with Fidelity Control [82.30868101940068]
  本稿では,外部データや教師モデルに依存することなく,モデルが自身のパフォーマンスをブートストラップするパラダイムを提案する。 我々の理論的分析は、RSIRがデータ駆動型暗黙正則化器として機能し、最適化景観を円滑にしていることを示している。 より小さなモデルであっても利点があり、弱いモデルはより強力なモデルに対して効果的なトレーニングカリキュラムを生成することができることを示す。
  論文  参考訳（メタデータ） (2026-02-17T15:31:32Z)
• Model-agnostic post-hoc explainability for recommender systems [0.3437656066916039]
  我々は,レコメンデーション設定における削除診断の体系的応用,適応,評価を開発する。 提案手法は,モデルの性能を,特定のユーザや項目を使わずにトレーニングした類似モデルと比較し,その観察が推奨者にどのように影響するかを定量化する。 モデルに依存しない性質を示すために、この提案は、広く使われているディープラーニングベースのレコメンデータであるNeural Collaborative Filtering(NCF)と、古典的な協調フィルタリング技術であるSingular Value Decomposition(SVD)の両方に適用される。
  論文  参考訳（メタデータ） (2025-09-12T13:43:16Z)
• SPaRFT: Self-Paced Reinforcement Fine-Tuning for Large Language Models [51.74498855100541]
  大規模言語モデル(LLM)は、強化学習(RL)による微調整時に強い推論能力を示す。 トレーニング対象のモデルの性能に基づいて,効率的な学習を可能にする自己評価学習フレームワークである textbfSPaRFT を提案する。
  論文  参考訳（メタデータ） (2025-08-07T03:50:48Z)
• SELF: Surrogate-light Feature Selection with Large Language Models in Deep Recommender Systems [51.09233156090496]
  ディープレコメンデータシステムのためのSurrogatE-Light特徴選択法 SELFは、大規模言語モデルからのセマンティック推論と、代理モデルからのタスク固有の学習を統合する。 実世界のレコメンデータプラットフォームからの3つの公開データセットに関する総合的な実験は、SELFの有効性を検証する。
  論文  参考訳（メタデータ） (2024-12-11T16:28:18Z)
• Debiased Recommendation with Neural Stratification [19.841871819722016]
  我々は、露光密度を増大させることにより、より正確なIPS計算のためにユーザをクラスタ化することを提案する。 提案手法の有効性を実証するために,実世界のデータセットに基づく広範囲な実験を行った。
  論文  参考訳（メタデータ） (2022-08-15T15:45:35Z)
• WSLRec: Weakly Supervised Learning for Neural Sequential Recommendation Models [24.455665093145818]
  我々は、WSLRecと呼ばれる新しいモデルに依存しないトレーニング手法を提案し、3段階のフレームワーク(事前学習、トップ$k$マイニング、本質的、微調整)を採用する。 WSLRec は、BR や ItemCF のようなモデルフリーメソッドから、余分な弱い監督のモデルを事前訓練することで、不完全性の問題を解決すると同時に、最上位の$k のマイニングを活用して、微調整のための弱い監督の信頼性の高いユーザ・イテム関連を検査することで、不正確な問題を解消する。
  論文  参考訳（メタデータ） (2022-02-28T08:55:12Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Multi-output Gaussian Processes for Uncertainty-aware Recommender Systems [3.908842679355254]
  モデルトレーニングと推論のための効率的な戦略を導入し、その結果、非常に大きくスパースなデータセットにスケールするモデルを生み出します。 我々のモデルは、その予測の定量化に関する有意義な不確実性推定も提供する。
  論文  参考訳（メタデータ） (2021-06-08T10:01:14Z)
• Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach [115.76667128325361]
  推奨モデルは、基礎となるユーザの関心を効果的に見積もり、将来の行動を予測することができる。 2つの表現モデルを含む帰納的協調フィルタリングフレームワークを提案する。 本モデルでは,限られたトレーニングレーティングと新規の未確認ユーザを対象に,数ショットのユーザに対して有望なレコメンデーションを行う。
  論文  参考訳（メタデータ） (2020-07-09T14:31:25Z)

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。