論文の概要: Bringing GRACE to Recommendation: Fine-Tuning for Sustainable and Accurate Personalization

• arxiv url: http://arxiv.org/abs/2607.22341v1
• Date: Fri, 24 Jul 2026 14:17:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.151674
• Title: Bringing GRACE to Recommendation: Fine-Tuning for Sustainable and Accurate Personalization
• Title（参考訳）: GRACEをレコメンデーションに持ち込む:持続的かつ正確なパーソナライゼーションのためのファインチューニング
• Abstract要約: 環境サステナビリティに関する懸念が高まり、グリーンの推奨システムは、よりエコフレンドリーで健康的な選択へとユーザーを導いてくれる。 多くの既存のグリーンレコメンデーションアプローチでは、スクラッチから新しいモデルをトレーニングする必要がある。 本稿では、アイテムレベルのサステナビリティ信号を事前訓練されたレコメンデーションモデルに統合する微調整フレームワークであるGRACE(Adaptive Conflict-rEsolution)を提案する。
• 参考スコア（独自算出の注目度）: 57.58261252242669
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Growing concern about environmental sustainability (e.g., reducing carbon emissions and resource use) and public health has motivated ``green'' recommender systems that steer users toward more eco-friendly and healthier choices. However, many existing green recommendation approaches require training new models from scratch, incurring substantial computational and energy costs. Reranking-based methods, meanwhile, introduce an additional sorting stage at inference, increasing latency and computational cost. In this work, we propose GRACE (Green Recommendation via Adaptive Conflict-rEsolution), a fine-tuning framework that integrates item-level sustainability signals (e.g., eco-scores or health indices) into pretrained recommendation models. Since these green values are usually discrete and non-differentiable, existing methods often rely on pairwise comparisons to promote greener items. GRACE instead introduces a differentiable approximation that enables direct optimization of the green criterion. To balance sustainability and personalization quality, GRACE further employs a gradient projection mechanism to mitigate conflicts between the green objective and the accuracy objective during fine-tuning. Experiments on real-world datasets demonstrate that GRACE improves sustainability-oriented recommendation outcomes while generally preserving recommendation accuracy through a controllable preference-anchored update mechanism.
• Abstract（参考訳）: 環境サステナビリティ(例えば、二酸化炭素排出量の削減や資源利用の削減)や公衆衛生に対する懸念が高まり、よりエコフレンドリーで健康的な選択にユーザーを導く「グリーン」レコメンデーターシステムへのモチベーションが高まっている。 しかし、多くの既存のグリーンレコメンデーションアプローチでは、スクラッチから新しいモデルを訓練する必要がある。 一方、リグレードベースの手法では、推論時に新たなソートステージを導入し、レイテンシと計算コストを増大させる。 本研究では、アイテムレベルのサステナビリティ信号(例えば、エコスコア、健康指標)を事前トレーニングされたレコメンデーションモデルに統合する微調整フレームワークであるGRACE(Adaptive Conflict-rEsolution)を提案する。 これらのグリーン値は、通常離散的で微分不可能であるため、既存の手法は、よりグリーンな項目を促進するためにペア比較に頼っていることが多い。 GRACEは代わりに、グリーン基準の直接最適化を可能にする微分可能な近似を導入している。 持続性とパーソナライズ品質のバランスをとるため、GRACEはさらにグラデーション・プロジェクション・メカニズムを採用し、微調整時のグリーン目標と精度目標との衝突を軽減する。 実世界のデータセットでの実験では、GRACEはサステナビリティ指向のレコメンデーション結果を改善しつつ、一般的にレコメンデーションの精度を制御可能なリコメンデーションアンコレート更新メカニズムによって保持することを示した。

関連論文リスト

• Echoes in Filter Bubble: Diagnosing and Curing Popularity Bias in Generative Recommenders [65.5347571901244]
  本研究では,ジェネレーティブ・フレームワークの最適化とセマンティック・インデックスに基づくアイテム・トークン化に焦点を当てた。 理論的解析から,トークンレベルの最適化欠陥とアイテムトークン化の未分化特性の相違から,厳密な人気バイアスが生じることを確認した。 本研究では、非対称な異種最適化と骨格を基盤としたトークン化を設計し、Ghostと呼ばれる新しい生成レコメンデーションシステムを開発した。
  論文  参考訳（メタデータ） (2026-05-16T06:02:40Z)
• LLMGreenRec: LLM-Based Multi-Agent Recommender System for Sustainable E-Commerce [2.350912941424321]
  eコマースにおける環境意識の向上は、ユーザを持続可能な製品に導くだけでなく、独自のデジタルカーボンフットプリントを最小化するレコメンデーションシステムを必要とする。 LLMGreenRecは、LLM(Large Language Models)を利用して持続可能な消費を促進する新しいマルチエージェントフレームワークである。 ユーザインタラクションの協調分析と反復的な即興改善を通じて、LLMGreenRecの特殊エージェントは、グリーン指向のユーザ意図を推論し、エコフレンドリーな製品レコメンデーションを優先する。
  論文  参考訳（メタデータ） (2026-03-11T17:49:53Z)
• Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
  ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。 複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-01T12:56:10Z)
• GARDO: Reinforcing Diffusion Models without Reward Hacking [54.841464430913476]
  オンライン強化学習(RL)による微調整拡散モデルにより,テキストと画像のアライメントが向上する可能性が示された。 このミスマッチは、しばしば報酬のハッキングにつながり、プロキシスコアは増加し、実際の画像品質は低下し、生成の多様性は崩壊する。 我々は、サンプル効率、効率的な探索、報酬ハッキングの軽減という競合する要求に対処するため、Gated and Adaptive Regularization with Diversity-Aware Optimization (GARDO)を提案する。
  論文  参考訳（メタデータ） (2025-12-30T10:55:45Z)
• IoT-based Fresh Produce Supply Chain Under Uncertainty: An Adaptive Optimization Framework [0.688204255655161]
  本稿では,遅延,走行時間,関連する温度変化を考慮した適応最適化モデルを提案する。 本研究は,提案モデルが従来の最適化モデルと比較して18%以上長寿命化を実現していることを示す。
  論文  参考訳（メタデータ） (2025-11-08T08:31:23Z)
• GRPO-Guard: Mitigating Implicit Over-Optimization in Flow Matching via Regulated Clipping [63.33669214116784]
  GRPO-Guardは、既存のGRPOフレームワークのシンプルで効果的な拡張である。 PPOクリッピングが有害な更新を適切に制限することを保証するため、バランスとステップ一貫性の重要度を回復する。 重いKL正則化に頼ることなく、暗黙の過最適化を実質的に緩和する。
  論文  参考訳（メタデータ） (2025-10-25T14:51:17Z)
• Bites of Tomorrow: Personalized Recommendations for a Healthier and Greener Plate [53.11228047172713]
  持続可能な食品の選択肢を優先し,推奨することを目的としたグリーンレコメンドアライテッド・パーソナライズド・イーティング(GRAPE)を紹介した。 また、グリーンインジケータに対応する2つの革新的なグリーンロス関数を、均一または区別された優先順位で設計する。
  論文  参考訳（メタデータ） (2025-08-19T14:35:37Z)
• Towards Carbon Footprint-Aware Recommender Systems for Greener Item Recommendation [16.57152918332189]
  オンラインショッピングはレコメンダシステム(RecSys)アルゴリズムによって促進されているが、より持続可能な選択を促進する上で後者の役割と可能性はほとんど研究されていない。 主な原因の1つは、アイテムに二酸化炭素排出量の排出量を含むデータセットが欠如していることによる可能性がある。 項目の炭素フットプリントを考慮に入れた単純な再ランクのアプローチは、精度と緑度の間のトレードオフをより良くすることを示す。
  論文  参考訳（メタデータ） (2025-03-21T14:58:47Z)
• Unveiling Optimal SDG Pathways: An Innovative Approach Leveraging Graph Pruning and Intent Graph for Effective Recommendations [12.444301825257071]
  本稿では,Pruning and Intent Graph (UGPIG) 後のユーザグラフという手法を提案する。 まず,プルーニングされたユーザグラフの高密度リンク機能を利用して,推薦アルゴリズムにおける空間無視の問題に対処する。 次に、目的領域の環境要素を含む属性の嗜好をキャプチャするインテントネットワークを組み込むことで、インテントグラフを構築する。
  論文  参考訳（メタデータ） (2023-09-21T02:32:17Z)

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。