論文の概要: CaIRec: Calibrated Modality Imputation for Incomplete Multimodal Recommendation

• arxiv url: http://arxiv.org/abs/2607.26720v2
• Date: Fri, 31 Jul 2026 13:59:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.28774
• Title: CaIRec: Calibrated Modality Imputation for Incomplete Multimodal Recommendation
• Title（参考訳）: CaIRec: 不完全なマルチモーダルレコメンデーションのための校正モダリティ計算
• Authors: Ruiyu Liu, Xiaohao Liu, Miaomiao Cai, Yunshan Ma, See-Kiong Ng,
• Abstract要約: 現実世界のレコメンデータシステムは、画像、テキスト、その他のコンテンツ機能が欠けている、不完全なモダリティの観察に直面していることが多い。 既存のモダリティ計算手法は、利用可能なアイテムコンテンツから不足表現を推定するが、2つの課題が残る。 まず、回収された表現自体を最適化し、同じ項目の他のモダリティとの関係を明示的に考慮しない。 第二に、構造的に一貫性のある復元された情報でさえ、パーソナライズされたランク付けには効果がないかもしれない。 これらの課題に対処するために,不完全なマルチモーダルレコメンデーション(CaIRec)の校正インプットを提案する。
• 参考スコア（独自算出の注目度）: 49.24608818070328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world multimodal recommender systems often face incomplete modality observations, where items lack images, text, or other content features. Such incompleteness weakens item representations and degrades recommendation performance. Existing modality imputation methods estimate missing representations from available item content, but two challenges remain. First, they optimize the recovered representation itself without explicitly considering its relations with other modalities of the same item. The completed modalities may therefore form inconsistent cross-modal relations, causing Cross-modal Structural Distortion. Second, even structurally coherent recovered information may remain ineffective for personalized ranking. Recovered representations receive limited ranking-oriented guidance, while modality missingness disrupts the item neighborhoods required for preference propagation, resulting in a Preference Adaptation Gap. To address these challenges, we propose Calibrated Imputation for Incomplete Multimodal Recommendation (CaIRec), a two-stage framework. Structural Imputation Calibration (SIC) estimates missing-modality representations from shared information inferred from available modalities and calibrates their cross-modal organization through structural regularization and correspondence supervision from observed modality pairs. Preference-oriented Representation Calibration (PRC) performs recommendation-specific adaptation at both the representation and relation levels. It constructs pseudo-missing instances to align recovered representations with observed counterparts shaped by ranking supervision in the recommendation space. It further builds completion-aware item graphs by integrating completed content relations with collaborative evidence. Extensive experiments on three datasets under different modality-missing settings demonstrate the effectiveness and robustness of CaIRec.
• Abstract（参考訳）: 現実世界のマルチモーダルレコメンデータシステムは、画像、テキスト、その他のコンテンツ機能が欠けている、不完全なモダリティの観察に直面していることが多い。 このような不完全性はアイテム表現を弱め、レコメンデーションパフォーマンスを低下させる。 既存のモダリティ計算手法は、利用可能なアイテムコンテンツから不足表現を推定するが、2つの課題が残る。 まず、回収された表現自体を最適化し、同じ項目の他のモダリティとの関係を明示的に考慮しない。 したがって、完了したモダリティは矛盾するクロスモーダル関係を形成し、クロスモーダル構造歪みを引き起こす。 第二に、構造的に一貫性のある復元された情報でさえ、パーソナライズされたランク付けには効果がないかもしれない。 検索された表現はランク指向のガイダンスが限られているのに対して、モダリティの欠如は優先伝搬に必要な項目の近傍を乱し、優先適応ギャップが生じる。 これらの課題に対処するために,2段階のフレームワークであるCaIRec(Calibrated Imputation for Incomplete Multimodal Recommendation)を提案する。 構造インプット校正 (Structure Imputation Calibration, SIC) は、利用可能なモダリティから推定される共有情報から欠落モード表現を推定し、観察されたモダリティ対からの構造正規化と対応監督を通じてそれらのクロスモーダル組織を校正する。 Preference-oriented Representation Calibration (PRC)は、表現レベルと関係レベルの両方でレコメンデーション固有の適応を実行する。 これは、レコメンデーション空間のランク管理によって形成された観察された表現と、復元された表現を整列する擬似欠落インスタンスを構築する。 さらに、完成したコンテンツ関係と協調的なエビデンスを統合することで、コンプリート対応アイテムグラフを構築する。 異なるモード許容条件下での3つのデータセットの大規模な実験は、CaIRecの有効性とロバスト性を示している。

関連論文リスト

• RePercENT: Scaling Disentangled Representation Learning Beyond Two Modalities [34.35941675436447]
  RePercENTは、2つのモダリティを超えて、スケーラブルなペアワイズ・アンタングルをアンロックするように設計された、自己管理型のフレームワークである。 提案手法は, 事前抽出した埋め込みを直接操作し, 広範囲なジョイント・プレトレーニングの必要性を解消する。 さまざまなモダリティやタスクにわたって、RePercENTは、競合性能を維持しながら、アンタングルされたコンポーネントの回復に成功した。
  論文  参考訳（メタデータ） (2026-06-03T17:10:39Z)
• MMEB-V3: Measuring the Performance Gaps of Omni-Modality Embedding Models [70.34265674686516]
  マルチモーダル埋め込みモデルは、テキスト、画像、ビデオ、オーディオなどの異種入力を共有意味空間にマッピングすることを目的としている。 本稿では,テキスト,画像,ビデオ,オーディオ,エージェント中心のシナリオにまたがる埋め込みを評価するベンチマークであるMMEB-V3を紹介する。 本研究は, 完全モダリティ埋め込みの系統的解析を行い, 3つの重要な知見を同定する。
  論文  参考訳（メタデータ） (2026-04-25T14:15:05Z)
• Conditional Imputation for Within-Modality Missingness in Multi-Modal Federated Learning [8.35064965629059]
  MMFL(Multimodal Federated Learning)は、プライバシー保護のための協調トレーニングを提供する。 実世界の臨床応用は、しばしば、センサーの断続性や不規則なサンプリングによって生じるモダリティの欠如に悩まされる。 本研究では,条件付き拡散モデルを用いて,この欠陥に明示的に対処するフレームワークであるCondIを提案する。
  論文  参考訳（メタデータ） (2026-04-25T02:35:08Z)
• Data Reconstruction: Identifiability and Optimization with Sample Splitting [28.085421010299758]
  KKT条件からのトレーニングデータ再構成は、経験的成功を示している。 結果のKKT方程式が、いつユニークな解を持つのか、また、特定可能な状態であっても、最適化によってどのように確実に解を回復するかは定かではない。
  論文  参考訳（メタデータ） (2026-02-09T14:33:19Z)
• Calibrated Multimodal Representation Learning with Missing Modalities [100.55774771852468]
  マルチモーダル表現学習は、それらを統一潜在空間に整列させることにより、異なるモダリティを調和させる。 最近の研究は、従来のクロスモーダルアライメントを一般化して、強化されたマルチモーダル・シナジーを生成するが、すべてのモダリティを共通の例に含める必要がある。 我々は、アンカーシフトの観点から、この問題に関する理論的洞察を提供する。 モーダルの欠如に起因する不完全なアライメントを校正するために,マルチモーダル表現学習のためのCalMRLを提案する。
  論文  参考訳（メタデータ） (2025-11-15T05:01:43Z)
• Deep Incomplete Multi-view Clustering with Distribution Dual-Consistency Recovery Guidance [69.58609684008964]
  本稿では,distriBution dUal-Consistency Recovery Guidanceを用いた不完全なマルチビュークラスタリング手法であるBURGを提案する。 我々は,各サンプルを別カテゴリとして扱い,欠落したビューの分布空間を予測するために,クロスビュー配信を行う。 信頼性の高いカテゴリ情報の欠如を補うために,隣り合った整合性によって案内されるビュー内アライメントと,プロトタイプ的な整合性によって案内されるクロスビューアライメントを含む二重整合性ガイド付きリカバリ戦略を設計する。
  論文  参考訳（メタデータ） (2025-03-14T02:27:45Z)
• Manifold-based Incomplete Multi-view Clustering via Bi-Consistency Guidance [23.071303965962517]
  両一貫性ガイダンス(MIMB)を用いた不完全なマルチビュークラスタリング手法を提案する。 MIMBは様々な視点で不完全データを柔軟に復元し、逆正則化による双方向ガイダンスの実現を試みる。 以上の結果から,MIMBはいくつかの最先端のベースラインと比較して,優れた結果が得られることが示唆された。
  論文  参考訳（メタデータ） (2024-05-16T05:58:29Z)
• Understanding and Constructing Latent Modality Structures in Multi-modal Representation Learning [53.68371566336254]
  優れたパフォーマンスの鍵は、完全なモダリティアライメントではなく、有意義な潜在モダリティ構造にある、と我々は主張する。 具体的には,1)モダリティ内正規化のための深い特徴分離損失,2)モダリティ間正規化のためのブラウン橋損失,3)モダリティ内正規化およびモダリティ間正規化のための幾何学的整合損失を設計する。
  論文  参考訳（メタデータ） (2023-03-10T14:38:49Z)
• Entity-enhanced Adaptive Reconstruction Network for Weakly Supervised Referring Expression Grounding [214.8003571700285]
  Referring Expression Grounding (REG) は、言語表現によって記述されたイメージにおいて特定のターゲットをグラウンドすることを目的としている。 我々は、エンティティ強化適応再構築ネットワーク(EARN)を設計する。 EARNには、エンティティの強化、適応的な接地、協調的な再構築の3つのモジュールが含まれている。
  論文  参考訳（メタデータ） (2022-07-18T05:30:45Z)

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。