論文の概要: Escaping the Euclidean Void: Manifold-Informed Flow Matching for Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2607.23762v1
- Date: Sun, 26 Jul 2026 17:17:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.220943
- Title: Escaping the Euclidean Void: Manifold-Informed Flow Matching for Sequential Recommendation
- Title（参考訳）: ユークリッドヴォイドの脱出 : 逐次勧告のためのマニフォールドインフォームドフローマッチング
- Abstract要約: MIRAGEは、シーケンシャルなレコメンデーションで埋め込みを加速するフレームワークである。
学習された埋め込み幾何を、変化のない直線的な確率経路の周りで修正する。
MIRAGEは、4つの実世界のデータセットの実験において、最先端のベースラインを一貫して上回る。
- 参考スコア（独自算出の注目度）: 28.629759086187352
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conventional recommenders capture users' preferences by optimizing observed user-item relations, whereas continuous generative recommendation additionally learns the trajectory of synthesizing a target item. Flow matching drives this process by gradually shaping initial noise into a definitive next-item representation through intermediate states in a continuous embedding space. However, item catalogs are discrete and sparsely supported, meaning even a straight Euclidean path can cross continuous regions that contain little evidence of valid item semantics. Formalizing this failure as the Euclidean void, we propose MIRAGE, a Manifold-Informed Rectification framework for Accelerated Generation of Embeddings in sequential recommendation, which rectifies the learned embedding geometry around an unchanged straight probability path. By leveraging an item co-occurrence graph as a proxy for the underlying semantic manifold, MIRAGE aligns interpolated path states with local anchors, reorganizing the embedding space to ground the trajectory in valid item support. MIRAGE retains the original probability path and uses the graph only during training, thereby enabling accurate and efficient one-step inference. Extensive experiments on four real-world datasets reveal that MIRAGE consistently outperforms state-of-the-art baselines, effectively boosting performance on sparsely observed targets while achieving robust overall accuracy. Our code will be made publicly available upon publication.
- Abstract（参考訳）: 従来のレコメンデーションは、観察されたユーザとイテムの関係を最適化することでユーザの好みを捉え、一方、連続的な生成レコメンデーションは、対象アイテムを合成する軌跡を学習する。
フローマッチングは、初期ノイズを連続的な埋め込み空間の中間状態を通して決定的な次点表現に徐々に形成することにより、このプロセスを駆動する。
しかし、アイテムカタログは離散的であり、わずかに支持されているため、ユークリッドの直線経路でさえ、有効なアイテム意味論の証拠がほとんどない連続領域を横切ることができる。
この失敗をユークリッドヴォイドとして定式化し, 連続的に埋め込みを加速するマニフォールド・インフォームド・リクティフィケーション・フレームワークであるMIRAGEを提案する。
アイテム共起グラフを下層のセマンティック多様体のプロキシとして活用することにより、MIRAGEは補間パス状態と局所アンカーを整列し、埋め込み空間を再編成し、有効なアイテムサポートにおいて軌道を基底とする。
MIRAGEは、元の確率パスを保持し、トレーニング中にのみグラフを使用するため、正確で効率的なワンステップ推論を可能にする。
4つの実世界のデータセットに対する大規模な実験により、MIRAGEは一貫して最先端のベースラインを上回り、わずかに観測されたターゲットのパフォーマンスを効果的に向上するとともに、全体的な正確性もしっかりと達成していることが明らかになった。
私たちのコードは出版時に公開されます。
関連論文リスト
- Structuring Semantic Embeddings for Principle Evaluation: A Prototype-Guided Contrastive Learning Approach [58.15427952222424]
汎用的なテキスト埋め込みはそのようなタスクに広くデプロイされているが、意味的類似性は意味的に似ているがタスク固有の例を示すことができる。
本稿では,凍結したテキスト埋め込み上に構築された幾何正規化モジュールであるPGCL(Prototype-Guided Contrastive Learning)を紹介する。
論文 参考訳（メタデータ） (2026-08-15T13:19:25Z) - EchoRec: Multi-Item Prediction-Empowered Generative Recommendation via Cycle-Consistent Preference Alignment [57.08595331216049]
生成レコメンデーションは、ターゲット項目のセマンティックIDを自己回帰的に生成し、共有トークン空間内の嗜好モデリングとインデックス検索を統合する。
近年の試行ではMTP(Multi-Token Prediction)を導入しているが、その効率性は主に継承され、密集した監視対象としての可能性は未解明のままである。
提案するEchoRecは,マルチホライゾンにまたがるサイクル一貫性の全体的嗜好アライメントをMPPに付与し,生成的レコメンデーションを実現する。
論文 参考訳（メタデータ） (2026-08-14T06:59:12Z) - Homotopy-Aware Corridor Generation without Predefined Reference Paths [6.550792134492685]
凸集合グラフ上の参照パスフリーな廊下生成フレームワークを提案する。
経路から凸集合列への可視的変形を拡張し、トポロジカルに冗長な廊下の融合を可能にする。
サンプリングベースファインスケールグラフは局所的な更新をサポートし、可視性ベースの粗いスケールグラフは、コンパクトなグローバルな探索を可能にする。
論文 参考訳（メタデータ） (2026-07-31T15:15:04Z) - Adaptive Latent Trajectory Anchoring for Action Segmentation Dataset Condensation [53.60856261088647]
本稿では,凝縮パラダイムを最適化に基づく逆転から決定論的潜在写像へシフトすることを提案する。
動作セグメントをノイズ多様体のスパース潜在点に固定された連続軌跡として表現する。
我々のフレームワークは,共通データセット間でのセグメンテーション性能において,最先端の手法を著しく上回っている。
論文 参考訳（メタデータ） (2026-07-10T04:00:26Z) - REAL-OW: Rehearsal-free Open World Object Detection with Low-Rank Adaptation and Dual-Stage Objectness Modeling [56.888597798431704]
Open-World Object Detection (OWOD) では、未確認のオブジェクトを未知のものとして識別し、それを既知のカテゴリのセットにインクリメンタルに組み込む必要がある。
既存のフレームワークは、破滅的な忘れを緩和するために、模範的なリプレイに大きく依存しているが、実際のアプリケーションでは、データアクセス制限との生データ競合を保存し、データ露出のリスクをもたらす。
協調的なアダプタアーキテクチャを通じて段階的な知識を分離する新しいリハーサルフリーフレームワークであるREAL-OWを提案する。
論文 参考訳（メタデータ） (2026-07-03T06:38:54Z) - FAVE: Flow-based Average Velocity Establishment for Sequential Recommendation [33.3202615024807]
本稿では,フローベース平均速度設定(Fave)フレームワークを提案する。
Faveは、ターゲット分布の前に情報提供者から直接軌跡を学習する。
3つのベンチマークの実験では、Faveは最先端のレコメンデーションパフォーマンスを達成するだけでなく、推論効率のオーダー・オブ・マグニチュードの改善も実現している。
論文 参考訳（メタデータ） (2026-04-06T05:17:43Z) - Score-Guided Proximal Projection: A Unified Geometric Framework for Rectified Flow Editing [1.0312968200748118]
Rectified Flowモデルは最先端の世代品質を実現するが、正確なタスクのためにそれらを制御することは依然として困難である。
現在のアプローチは「幾何学的ロック」に苦しむ逆法に基づくガイダンスに分岐する
Score-Guided Proximal Projectionは,決定論的最適化と縮尺サンプリングのギャップを埋める統一フレームワークである。
論文 参考訳（メタデータ） (2026-03-05T23:44:45Z) - IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。
本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
論文 参考訳（メタデータ） (2026-03-03T14:36:46Z) - Invariance on Manifolds: Understanding Robust Visual Representations for Place Recognition [19.200074425090595]
本稿では,2次幾何統計フレームワークを提案する。
提案手法では、固定されたトレーニング済みのバックボーン上に構築されたトレーニング不要のフレームワークを導入し、パラメータ更新なしで強力なゼロショット一般化を実現する。
論文 参考訳（メタデータ） (2026-01-31T18:12:29Z) - On the Collapse of Generative Paths: A Criterion and Correction for Diffusion Steering [29.633206995806542]
インタイムステアリングにより、事前トレーニングされた拡散/フローモデルを、再トレーニングせずに新しいタスクに適合させることができる。
この構造には批判的かつ以前は形式化されていなかった障害モード(Marginal Path Collapse)がある。
本稿では,Feynman-Kac ステアリングを時間変化指数に拡張する Adaptive path Correction with Exponents (ACE) を提案する。
論文 参考訳（メタデータ） (2025-12-11T06:44:08Z) - Effective Test-Time Scaling of Discrete Diffusion through Iterative Refinement [51.54933696252104]
離散拡散に適した新しいテスト時間スケーリング手法であるイテレーティブ・リワードガイドリファインメント(IterRef)を導入する。
我々は、このプロセスをMultiple-Try Metropolisフレームワークで形式化し、報酬整合分布への収束を証明した。
IterRefは計算予算の低さで大幅に上昇し、最先端のベースラインをはるかに超えている。
論文 参考訳（メタデータ） (2025-11-04T02:33:23Z) - Discrete Guidance Matching: Exact Guidance for Discrete Flow Matching [36.348940136801296]
この問題に対処するために、離散データのための新しいガイダンスフレームワークを提案する。
学習した離散フローマッチングモデルにより、所望の分布の正確な遷移率を導出する。
本稿では,エネルギー誘導型シミュレーションと嗜好アライメントによるテキスト・ツー・イメージ生成とマルチモーダル理解タスクの有効性を示す。
論文 参考訳（メタデータ） (2025-09-26T05:51:31Z) - Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised
Person Re-Identification [80.98291772215154]
教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。
近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。
本稿では, Pseudo Label Refinement フレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-30T09:39:57Z) - Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。
本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。
我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
論文 参考訳（メタデータ） (2022-01-16T12:38:45Z)
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。