論文の概要: OxygenREC-v2: Internalizing Discrimination into Generative Recommendation
- arxiv url: http://arxiv.org/abs/2607.24255v1
- Date: Mon, 27 Jul 2026 10:45:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.386336
- Title: OxygenREC-v2: Internalizing Discrimination into Generative Recommendation
- Title（参考訳）: 酸素REC-v2:遺伝子レコメンデーションへの内部識別
- Abstract要約: 我々は、IDGR(Generative Recommendation)に識別を内部化する遺伝子レコメンデーションであるOxygenREC-v2を提案する。
別個の識別対象を追加するのではなく、OxygenREC-v2はログ化された振る舞いを使って条件生成とトレーニングの監督を行う。
- 参考スコア（独自算出の注目度）: 10.320822317650732
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative recommendation unifies retrieval and ranking within a single model by autoregressively decoding semantic identifier (SID) sequences. Yet reliably incorporating behavior signals from clicks, cart additions, and orders remains challenging. Existing approaches either jointly optimize generative and discriminative objectives, requiring delicate trade-offs, or use a separate ranker as a post-hoc reinforcement-learning reward, risking out-of-distribution scoring and reward misalignment. We propose OxygenREC-v2, a generative recommender that Internalizes Discrimination into Generative Recommendation (IDGR). Rather than adding a separate discriminative objective, OxygenREC-v2 uses logged behavior to condition generation and supervise training. During pre-training, a behavior instruction conditions generation on the target behavior. During post-training, future interaction behaviors are exploited as privileged knowledge in our entropy-aware trajectory optimization self-distillation framework, enabling reward-model-free policy optimization. Throughout both training stages, OxygenREC-v2 maintains a single unified backbone. We implement OxygenREC-v2 as a 3B-parameter, 1B-activated MoE and deploy it on JD.com's large-scale e-commerce platform. Across multiple online A/B tests, OxygenREC-v2 improves user click-through conversion rate (UCTCVR) by 1.6--4.4% and GMV by 2.8--6.8% over OxygenREC-v1.
- Abstract（参考訳）: ジェネレーティブレコメンデーションは、自動回帰デコードセマンティック識別子(SID)シーケンスによって単一のモデル内での検索とランキングを統一する。
しかし、クリックやカートの追加、注文からの行動シグナルを確実に取り入れることはまだ難しい。
既存のアプローチでは、生成的および差別的な目的を共同で最適化したり、微妙なトレードオフを必要としたり、別のランク付けをポストホックな強化学習報酬として使用したり、アウト・オブ・ディストリビューションのスコアと報酬のミスアライメントのリスクを負う。
本報告では,IDGRに識別を内部化する遺伝子レコメンデーションであるOxygenREC-v2を提案する。
別個の識別対象を追加するのではなく、OxygenREC-v2はログ化された振る舞いを使って条件生成とトレーニングの監督を行う。
事前学習中は、目標行動に基づいて行動指示条件を生成する。
ポストトレーニング中、将来の相互作用行動はエントロピー対応トラジェクトリ最適化の自己蒸留フレームワークにおける特権知識として利用され、報酬モデルなしポリシー最適化を可能にする。
両方のトレーニング段階を通じて、OxygenREC-v2は単一の統合バックボーンを維持している。
我々は,OxygenREC-v2を3Bパラメーター,1BアクティベートしたMoEとして実装し,JD.comの大規模eコマースプラットフォーム上に展開する。
複数のオンラインA/Bテストにおいて、OxygenREC-v2はユーザクリックスルー変換率(UCTCVR)を1.6～4.4%改善し、GMVを2.8～6.8%改善した。
関連論文リスト
- CurateEvo: Data-Curation Evolving for Agentic Post-Training [53.68149869349268]
エージェント学習後データキュレーションのための障害駆動動的進化フレームワークであるCurateEvoを提案する。
CurateEvoは、キュレーション戦略を実行可能なコードとして表現し、保持された開発セットから失敗したトラジェクトリを使って反復的に書き直します。
各エポックにおいて、進化した戦略は、固定された生コーパスを教師付き微調整データ、強化学習データ、推論時メモリバンクに変換する。
論文 参考訳（メタデータ） (2026-07-07T11:07:00Z) - INFUSER: Influence-Guided Self-Evolution Improves Reasoning [54.101135873140066]
2つの共進化的役割を持つ反復的協調学習フレームワークを導入する。
解答器は、生成元が提供する回答に対して標準正当性報酬で訓練される。
8B INF共進化ジェネレータは、数学とコーディングにおいて凍った32B思考ジェネレータより優れている。
論文 参考訳（メタデータ） (2026-06-08T05:40:36Z) - Discrimination Is Generation: Unifying Ranking and Retrieval from a Tokenizer Perspective [14.332200648147863]
DIG (textbfDiscrimination textbfIs textbfGeneration) を提案する。
3つの公開ベンチマークと2つの産業データセットの実験は、DIGが同時にランク付け、検索、統合された検索レベルの品質を改善していることを示している。
論文 参考訳（メタデータ） (2026-05-14T13:59:29Z) - AdaExplore: Failure-Driven Adaptation and Diversity-Preserving Search for Efficient Kernel Generation [59.964989458924585]
AdaExploreは、パフォーマンスクリティカルなカーネルコード生成のための蓄積された実行フィードバックによる自己改善を可能にするエージェントフレームワークである。
適応段階では、エージェントはタスクを合成し、繰り返し発生する障害を有効ルールの再利用可能なメモリに変換する。
探索段階では、候補核を木として整理し、小さな局所精製とより大きな構造再生を交互に行う。
論文 参考訳（メタデータ） (2026-04-17T18:25:03Z) - Self-Distillation Zero: Self-Revision Turns Binary Rewards into Dense Supervision [50.61441331643804]
強化学習(Reinforcement Learning、RLVR)は、広く適用可能で強力であるが、訓練中に緩やかな監督しか提供しない二進的な報酬に依存している。
蒸留は、一般的に外部の教師や高品質なデモンストレーションを使って得られる、密集したトークンレベルの監督を提供する。
自己蒸留ゼロ(SD-Zero)は,RLよりもかなり訓練効率が高く,外部教師や高品質な実演を必要としない手法である。
論文 参考訳（メタデータ） (2026-04-13T19:46:55Z) - Self-Distilled RLVR [57.37526213765131]
特権教師からのみ派生した学習信号が,情報漏洩と不安定な長期学習をもたらすことを示す。
textbfSelf-textbfDistillationを用いたtextbfRLSD(textbfRLVR)を提案する。
これにより、RSSDはRLVRとOPSDの両方の強度を同時に利用でき、高い収束天井と優れたトレーニング安定性を実現することができる。
論文 参考訳（メタデータ） (2026-04-03T15:50:07Z) - AceGRPO: Adaptive Curriculum Enhanced Group Relative Policy Optimization for Autonomous Machine Learning Engineering [52.67783579040657]
AceGRPOは、エージェントの学習フロンティアにおけるタスクを優先順位付けして学習効率を最大化する機械学習システムである。
我々のトレーニングされたAce-30Bモデルは、MLE-Bench-Lite上で100%有効な応募率を実現し、プロプライエタリなフロンティアモデルの性能にアプローチし、より大きなオープンソースベースラインを上回ります。
論文 参考訳（メタデータ） (2026-02-08T10:55:03Z) - EmoLoom-2B: Fast Base-Model Screening for Emotion Classification and VAD with Lexicon-Weak Supervision and KV-Off Evaluation [14.702916401734916]
EmoLoom-2Bは2Bパラメータ以下の小さな言語モデルを、感情分類とValence-Arousal-Dominance予測のための高速なスクリーニング候補に変換する。
プロトコルに忠実で公平な評価を保証するため,単一入力出力契約の下でデータのロード,トレーニング,推論を統一する。
論文 参考訳（メタデータ） (2026-01-03T08:25:58Z) - Binary Kernel Logistic Regression: a sparsity-inducing formulation and a convergent decomposition training algorithm [0.5680416078423551]
カーネルロジスティック回帰(カーネルロジスティックレグレッション、英: Kernel Logistic regression、KLR)は、二分法および多クラス分類のための教師付き学習法である。
KLRのスパーシリティに対処する以前の試みには、ベクトルインポートマシン(Vector Import Machine, IVM)と呼ばれる方法がある。
本稿では,Keerthiらによって提案されたトレーニング定式化の拡張を提案する。
論文 参考訳（メタデータ） (2025-12-22T14:40:30Z) - MiniOneRec: An Open-Source Framework for Scaling Generative Recommendation [44.05859062614669]
MiniOneRecは、最初の完全なオープンソースジェネレーティブレコメンデーションフレームワークである。
SID構築にまたがるエンドツーエンドワークフロー、教師付き微調整、レコメンデーション指向の強化学習を提供する。
実験の結果,モデルサイズの増加に伴い,トレーニングと評価の両方の損失が一貫した下降傾向を示した。
論文 参考訳（メタデータ） (2025-10-28T13:58:36Z) - Forward and inverse reinforcement learning sharing network weights and
hyperparameters [3.705785916791345]
ERILは、エントロピー規則化マルコフ決定プロセスの枠組みの下で、前方および逆強化学習(RL)を組み合わせる。
前部RLステップは、逆RLステップによって推定される逆KLを最小化する。
逆KL分岐の最小化は最適ポリシーの発見と等価であることを示す。
論文 参考訳（メタデータ） (2020-08-17T13:12:44Z)
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。