Fugu-MT 論文翻訳(概要): Collaborative Memory Augmentation for Generative Recommendation

論文の概要: Collaborative Memory Augmentation for Generative Recommendation

arxiv url: http://arxiv.org/abs/2608.01315v1
Date: Sun, 02 Aug 2026 15:34:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.160956
Title: Collaborative Memory Augmentation for Generative Recommendation
Title（参考訳）: ジェネレーティブレコメンデーションのための協調記憶増強
Authors: Enze Liu, Zhen Tian, Wayne Xin Zhao,
Abstract要約: 我々は、ジェネレーティブ・リコメンデーションのためのcOllaborative MEmory拡張フレームワークであるtextbfOMEGAを提案する。まず、学習可能なクエリトークンを用いて、逐次的ユーザ動作をコンパクトな表現に変換する潜在コンテキスト圧縮手法を提案する。これらの圧縮された表現は、協調的なメモリバンクに集約され、グローバルな行動パターンの明示的なリポジトリとして機能する。
参考スコア（独自算出の注目度）: 49.76630658239287
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generative Recommendation (GR) has exhibited great potential by modeling item transitions as a sequence-to-sequence task. Despite the success of GR, existing frameworks primarily focus on modeling individual user sequences within a constrained internal parametric space, failing to explicitly leverage cross-user collaborative signals. To address this issue, we propose \textbf{OMEGA}, a cOllaborative MEmory augmentation framework for Generative recommendAtion. OMEGA bridges the gap between implicit parametric knowledge and explicit collaborative signals. We first introduce a latent context compression method that utilizes learnable query tokens to distill sequential user behavior into compact representations, significantly reducing storage overhead. These compressed representations are aggregated into a collaborative memory bank, serving as an explicit repository of global behavioral patterns. To ensure precise knowledge acquisition, we design a lightweight and target-aware retrieval mechanism that identifies pertinent memories by considering both sequence-level and target-level similarities. Furthermore, a context-aware integration module, equipped with a gated cross-attention mechanism, is employed to adaptively fuse the retrieved collaborative memories with the local user context while mitigating the interference of noisy patterns. Empirical evaluations on multiple real-world datasets demonstrate that OMEGA significantly outperforms existing advanced GR models, validating the potential of external memory as a complement to the generative paradigm.
Abstract（参考訳）: Generative Recommendation (GR) は、アイテム遷移をシーケンス・ツー・シーケンスのタスクとしてモデル化することで大きな可能性を示した。 GRの成功にもかかわらず、既存のフレームワークは主に制約された内部パラメトリック空間内の個々のユーザーシーケンスをモデル化することに重点を置いている。本稿では,ジェネレーティブ・リコメンデーションのためのcOllaborative MEmory拡張フレームワークである \textbf{OMEGA} を提案する。 OMEGAは暗黙のパラメトリック知識と明示的な協調信号のギャップを埋める。まず、学習可能なクエリトークンを用いて、逐次的ユーザ動作をコンパクトな表現に変換する潜在コンテキスト圧縮手法を導入し、ストレージオーバーヘッドを大幅に削減する。これらの圧縮された表現は、協調的なメモリバンクに集約され、グローバルな行動パターンの明示的なリポジトリとして機能する。精度の高い知識獲得を実現するために,シーケンスレベルとターゲットレベルの両方の類似性を考慮して,関連する記憶を識別する軽量かつターゲット対応の検索機構を設計する。さらに、ゲートクロスアテンション機構を備えたコンテキスト認識統合モジュールを用い、ノイズパターンの干渉を軽減しつつ、検索した協調記憶をローカルユーザコンテキストと適応的に融合させる。複数の実世界のデータセットに対する実証的な評価は、OMEGAが既存の高度なGRモデルを大幅に上回り、生成パラダイムを補完する外部メモリの可能性を検証することを示している。

関連論文リスト

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)
Modality-Agnostic Prompt Learning for Multi-Modal Camouflaged Object Detection [61.36976558603528]
本稿では,Segment Anything Model(SAM)のためのモダリティに依存しないマルチモーダルプロンプトを生成する新しいフレームワークを提案する。具体的には,データ駆動型コンテンツドメインと知識駆動型プロンプトドメインとのインタラクションを通じて,マルチモーダル学習をモデル化する。さらに,微粒なプロンプトキューを組み込むことで,粗い予測をキャリブレーションする軽量マスクリファインモジュールを導入する。
論文参考訳（メタデータ） (2026-04-14T07:13:28Z)
Beyond the Flat Sequence: Hierarchical and Preference-Aware Generative Recommendations [35.58864660038236]
我々はHPGR(Hierarchical and Preference-aware Generative Recommender)という新しいフレームワークを提案する。まず、構造化を意識した事前学習段階において、セッションベースのMasked Item Modelingの目的を用いて、階層的にインフォームドされ、セマンティックにリッチなアイテム表現空間を学ぶ。第二に、プライオリティ対応の微調整ステージは、これらの強力な表現を活用して、Preference-Guided Sparse Attentionメカニズムを実装する。
論文参考訳（メタデータ） (2026-03-01T08:15:34Z)
UMEM: Unified Memory Extraction and Management Framework for Generalizable Memory [46.87954895079213]
自己進化型メモリは、大規模言語モデル(LLM)のトレーニング可能なパラメータとして機能する既存の方法は、メモリ抽出を静的プロセスとして扱いながら、メモリ管理を優先的に最適化する。本稿では,大言語モデルを協調的に最適化し,メモリの抽出と管理を同時に行うための統一メモリ抽出管理(UMEM)を提案する。
論文参考訳（メタデータ） (2026-02-11T08:58:41Z)
From Atom to Community: Structured and Evolving Agent Memory for User Behavior Modeling [25.74573956240653]
STEAM(textittextbfSTructured and textbfEvolving textbfAgent textbfMemory)は、エージェントメモリの編成と更新方法を再定義する新しいフレームワークである。好みを原子記憶単位に分解し、それぞれが観察された行動に明示的なリンクで異なる関心領域をキャプチャする。協調的パターンを活用するために、STEAMは、ユーザ間で類似した記憶をコミュニティに整理し、信号伝達のためのプロトタイプメモリを生成する。
論文参考訳（メタデータ） (2026-01-23T16:24:57Z)
MemRec: Collaborative Memory-Augmented Agentic Recommender System [57.548438733740504]
我々はメモリ管理から推論をアーキテクチャ的に分離するフレームワークであるMemRecを提案する。 MemRecは動的コラボレーティブメモリグラフを管理する専用のLM_Memを導入した。 4つのベンチマークで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2026-01-13T18:51:16Z)
From Feature Interaction to Feature Generation: A Generative Paradigm of CTR Prediction Models [81.43473418572567]
CTR(Click-Through Rate)予測は、レコメンデーションシステムにおける中核的なタスクである。本稿では,埋め込み次元の崩壊と情報冗長性に対処する新しい生成フレームワークを提案する。 SFGは埋没崩壊を緩和し,情報冗長性を低減し,性能向上を図っている。
論文参考訳（メタデータ） (2025-12-16T03:17:18Z)
Sparse Meets Dense: Unified Generative Recommendations with Cascaded Sparse-Dense Representations [22.48125906976824]
カスケード型組織的ビ表現型ジェネリック検索フレームワークを導入し,カスケード処理を通じてスパース意味IDと高密度ベクトルを統合する。本手法は,これらの表現をまずスパースIDを生成して交互に生成し,高密度ベクトルの生成を支援する条件として機能する。推論の間、COBRAは粗大な戦略を採用し、スパースID生成から始まり、生成モデルを介してそれらを密度の高いベクトルに精製する。
論文参考訳（メタデータ） (2025-03-04T10:00:05Z)

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。