論文の概要: Prediction Is Not Memory: Dual-Timescale Gated Profile Writing for Persistent User Modeling

• arxiv url: http://arxiv.org/abs/2607.24798v1
• Date: Fri, 03 Jul 2026 14:49:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.072553
• Title: Prediction Is Not Memory: Dual-Timescale Gated Profile Writing for Persistent User Modeling
• Title（参考訳）: 予測は記憶にはない: 永続的ユーザモデリングのためのデュアルタイムスケールのGated Profile書き込み
• Abstract要約: 永続的なユーザプロファイルは、リコメンデータシステムにおける再利用可能なメモリとしてますます役立っている。 我々はこの境界を選択的プロファイル書き込み制御として定式化する。 コントローラをSPW-Gate, 長期的, 短期的, 候補となるドリフト機能を用いたライトライトリスクゲートとしてインスタンス化する。
• 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: Persistent user profiles increasingly serve as reusable memory in recommender systems, but common update pipelines conflate two decisions: predicting an interaction and deciding whether it should persist in the profile. After an interaction is observed, many systems treat it as evidence for updating durable user state. This assumption can be harmful when the event reflects transient context, exploration, exposure, or short-term satisfaction rather than stable preference formation. We formulate this boundary as selective profile-write control: after an observed interaction, a system should decide whether, and how strongly, to write it into the persistent profile. We introduce a chronological near/far offline protocol in which near-future evidence provides weak write-risk supervision and far-future evidence is reserved for evaluation. We instantiate the controller as SPW-Gate, a lightweight write-risk gate using long-term, short-term, and candidate-profile drift features. On MicroLens-100K, write-all updating hurts far-future profile alignment in 22.45% of test cases under the main protocol. SPW-Gate reduces far hurt to about 14.5% while preserving about 77% write coverage. Matched-coverage controls and prediction-confidence baselines show that the gain is not merely a by-product of writing less, and that next-item confidence is not a sufficient proxy for persistent write validity.
• Abstract（参考訳）: 永続的なユーザプロファイルはレコメンデーションシステムでは再利用可能なメモリとして機能する傾向にあるが、一般的なアップデートパイプラインでは、インタラクションの予測と、プロファイル内で持続するかどうかの2つの決定が説明されている。 対話が観察された後、多くのシステムはそれを耐久性のあるユーザ状態を更新する証拠として扱う。 この仮定は、イベントが安定した嗜好の形成ではなく、過渡的な文脈、探索、暴露、短期的な満足を反映する場合に有害である可能性がある。 我々は、この境界を選択的プロファイル書き込み制御として定式化し、観察された相互作用の後、システムは永続プロファイルにそれを書き込むかどうか、どのくらい強くするかを判断する。 我々は、近未来の証拠が弱い書き込みリスクの監視を提供し、遠未来の証拠が評価のために予約される、時系列的近/遠のオフラインプロトコルを導入する。 コントローラをSPW-Gate, 長期的, 短期的, 候補となるドリフト機能を用いたライトライトリスクゲートとしてインスタンス化する。 MicroLens-100Kでは、ライトオール更新はメインプロトコル下でのテストケースの22.45%において、遠未来プロファイルのアライメントを損なう。 SPW-Gateは、書き込みカバレッジを約77%保ちながら、およそ14.5%の傷を負う。 一致したカバレッジ制御と予測信頼ベースラインは、ゲインが書き込みの副産物であるだけでなく、次の信頼度が永続的な書き込み妥当性の十分なプロキシではないことを示している。

関連論文リスト

• Less Is Personal: Learning Minimal Sufficient User Profiles for Personalized Language Models [77.02066500576528]
  Enoughは、行動記録を反復的に付加する手法であり、適応長のプロファイルを構築するためにSTOPを出力する。 有効性と効率の両面で、強力で検索の強化されたベースラインをはるかに上回ります。
  論文  参考訳（メタデータ） (2026-09-08T03:09:19Z)
• RECAP: Feedback-Driven Streaming Semantic User Profiles for Short-Video Recommendation [74.86562505934961]
  言語ベースのユーザプロファイルは、長い行動履歴をレコメンデーションのために明示的な意味表現に変換する。 そこでは,ストリームやプロファイルの更新を限定的に行うことで,ユーザの行動が継続的に到着する,実世界のショートビデオレコメンデーションにおいて,この問題について検討する。 本稿では,ストリーミング構造化されたセマンティックプロファイルを過去のレコメンデーションフィードバックで最適化するためのオフラインクローズドループフレームワークRECAPを提案する。
  論文  参考訳（メタデータ） (2026-07-17T08:10:37Z)
• Agents Don't Just Agree, They Remember: Benchmarking Persistent Sycophancy in Stateful Personal Agents [33.055253684457625]
  ステートフルなパーソナルエージェントは、長期的なユーザープロファイル、エピソード記憶、再利用可能なスキルをますます維持する。 これを持続性梅毒と呼び、Personal Agent Sycophancy Benchmark (PASB)を導入します。 PASBは、会話的クレームが受け入れられ、耐久性のあるエージェント状態に書き込まれ、後に中立なクエリで再利用されるかどうかをトレースする。
  論文  参考訳（メタデータ） (2026-07-12T01:08:59Z)
• CogGuard: Cognitive and Operational Profiling for Proactive Warning in Edge Intelligent Services [13.919915237984036]
  エッジインテリジェントサービスのためのプロアクティブ警告フレームワークであるCogGuardを提案する。 CogGuardは、オンラインのSmall Language Model(SLM)ベースのスコア予測から、オフラインのLLMベースのプロファイル構築を分離する。 実験の結果、CogGuardはプロファイル構築時間を最大48%削減し、微調整時間を19%短縮した。
  論文  参考訳（メタデータ） (2026-06-13T08:47:32Z)
• StreamProfileBench: A Benchmark for Fine-Grained User Profile Inference in Real-World Streaming Scenarios [38.37032285408029]
  本稿では,ストリーミングユーザの詳細なプロファイリングのベンチマークであるStreamProfileBenchを紹介する。 5つの多様なプラットフォームにまたがる7,000以上の実際のユーザから12万以上のポストの、非常に正確なデータセットをキュレートします。 ユーザの関心の時間的相関を利用して,新しいアノテーションのない評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T12:10:15Z)
• Learning Next Action Predictors from Human-Computer Interaction [53.41504288073184]
  LongNAPは、パラメトリックとコンテキスト内学習を組み合わせて、長時間のインタラクション履歴を推論するユーザモデルである。 当社は、20ユーザーから1ヶ月の連続電話使用で360K以上のアクションをラベル付けし、1,800時間のスクリーンタイムを提供しています。 LongNAPは教師付き微調整を著しく上回り、ホールドアウトデータにベースラインを誘導する。
  論文  参考訳（メタデータ） (2026-03-06T05:31:04Z)
• Defenses Against Prompt Attacks Learn Surface Heuristics [40.392588465939106]
  大規模言語モデル(LLM)は、セキュリティに敏感なアプリケーションにますますデプロイされている。 LLMは、ユーザクエリや検索されたコンテンツに逆命令が現れるとき、意図したロジックをオーバーライドすることができる。 最近の防衛は、良心と悪意のあるラベルによる監督された微調整に依存している。
  論文  参考訳（メタデータ） (2026-01-12T04:12:48Z)
• Memory in Large Language Models: Mechanisms, Evaluation and Evolution [8.158439933515131]
  我々は,4つの分類法(パラメトリック,文脈,外部,手続き/エピソード)とメモリ四倍法(ロケーション,永続性,書き込み/アクセスパス,制御性)を提案する。 DMM Gov: DAPT/TAPT, PEFT, モデル編集(ROME, MEND, MEMIT, SERAC)、RAGをコーディネートして監査可能なループを形成する。 これにより、再現可能で、同等で、統制可能な、研究と展開のための座標系が得られる。
  論文  参考訳（メタデータ） (2025-09-23T10:06:58Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Prompt Tuning as User Inherent Profile Inference Machine [68.16976932088708]
  本稿では,ユーザプロファイルの推測にプロンプトチューニングを用いるUserIP-Tuningを提案する。 UserIP-Tuningは最先端のレコメンデーションアルゴリズムより優れている。 提案されたソリューションは2025年5月からHuawei AppGalleryのExploreページにデプロイされている。
  論文  参考訳（メタデータ） (2024-08-13T02:25:46Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)

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。