論文の概要: Is Personalized Modality Weighting Actually Personalized? A Controlled Audit of Per-User Weighting Claims in Multimodal Recommenders

• arxiv url: http://arxiv.org/abs/2608.05655v1
• Date: Thu, 06 Aug 2026 06:52:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.704015
• Title: Is Personalized Modality Weighting Actually Personalized? A Controlled Audit of Per-User Weighting Claims in Multimodal Recommenders
• Title（参考訳）: パーソナライズされたモダリティ重みは実際にパーソナライズされるか? マルチモーダルレコメンダにおけるユーザ単位重み付きクレームの制御された監査
• Abstract要約: 単一のグローバルウェイトが3つの独立したショートビデオコーパスにほぼ全てのコンテンツゲインをもたらすことを示す。 パーソナライズ・クレームの最低基準として,リアルシューフとともにリアルタイムGMを報告することを提案する。
• 参考スコア（独自算出の注目度）: 29.643383372337308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Per-user modality weighting is deployed at billion-user scale in multimodal recommenders, through user modality-strength vectors, attention gates, meta-weight hypernetworks, and low-rank guided weights, each claiming a ranking gain from user-specific modality preference. Yet, to our knowledge, prior evaluations do not isolate a genuinely user-specific signal from a global modality weight plus model capacity. We audit this family with a two-contrast audit principle, reducing six implementations onto one shared collaborative backbone and measuring a utility gap (real-GM) against a single global modality weight and an identifiability gap (real-shuf) against an eval-time permutation of the user-weight binding. Across three independent short-video corpora, a single global weight already delivers nearly all of the content gain (+1.9/+3.6/+3.5pp over a no-modality baseline, p < .001). Making the weight per-user adds no consistent utility: no implementation wins on all corpora and metrics, and the few positive gaps are small (<=0.9pp) and flip. The shuffle control is necessary but not sufficient, since real-shuf reaches +128% of the content gain for heads that simultaneously lose to the global weight. We trace this dissociation to gates reading the shared collaborative embedding: decoupling the gate input collapses the inflated real-shuf to near zero while the utility conclusion stands. A monotone signal-implant dose-response (capture AUROC rising from 0.57 to 0.89 and from 0.64 to 1.00) verifies the harness would detect user-specific structure if present, and every finding replicates on a fourth, cross-domain e-commerce corpus. We propose reporting real-GM alongside real-shuf as a minimum evidentiary standard for personalization claims.
• Abstract（参考訳）: ユーザ毎のモダリティ重み付けは、マルチモーダルレコメンデータにおいて、ユーザのモダリティ-強度ベクタ、アテンションゲート、メタウェイトハイパーネットワーク、低ランクガイドウェイトを通じて、数十億ユーザ規模で展開される。 しかし、我々の知る限り、事前評価は、真のユーザ固有の信号を、グローバルなモダリティウェイトとモデルキャパシティから切り離すものではない。 1つの共有協調バックボーンに6つの実装を還元し、1つのグローバルなモダリティウェイトに対してユーティリティギャップ(real-GM)を計測し、ユーザ重み付けのeval-time置換に対して識別可能性ギャップ(real-shuf)を計測する。 3つの独立したショートビデオコーパスの中で、1つのグローバルウェイトは、ほぼ全てのコンテンツゲイン(+1.9/+3.6/+3.5pp、非モダリティベースライン、p < .001)をすでに供給している。 ユーザ毎の重み付けには一貫性のあるユーティリティが加わりません。すべてのコーパスとメトリクスに実装が勝利することはありませんし、小さな正のギャップは (=0.9pp) 小さく、フリップします。 シャッフルコントロールは必要だが、実際のシャッフルは、同時にグローバルな重みに負ける頭部のコンテンツゲインの128%に達するため、不十分である。 ゲート入力の分離は、実用的結論が成り立つ間、膨らんだ実シューフをほぼゼロに分解する。 モノトーン信号による線量応答(AUROCは0.57から0.89から0.64から1.00まで上昇)は、もし存在する場合、ハーネスがユーザ固有の構造を検出し、すべての発見が第4のクロスドメインEコマースコーパスで複製されることを検証する。 パーソナライズ・クレームの最低基準として,リアルシューフとともにリアルタイムGMを報告することを提案する。

関連論文リスト

• From Production Traffic to Post-Training: Building a Self-Hosted LLM That Covers the Corporate Request Mix [55.08143827481755]
  200以上の内部アプリケーションから1つのモデルにトラフィックを集約します。 我々は、各軸ごとに別々のGRPOエキスパートを訓練し、2段階のSLERPを介してそれらをマージする。 このモデルは、プラットフォームトラフィックの50%、月1億6600万リクエストをサービスコストのごく一部で吸収する。
  論文  参考訳（メタデータ） (2026-09-01T17:39:26Z)
• BLOOM-WILT: Logit Tilting for Behaviour Elicitation in Automated LLM Auditing [0.898478290216692]
  BLOOM-WILTは、トレーニングコストやターゲットの次のトーケン分布を越えてアクセスすることなく、レアな振る舞いの自然なマルチターンインスタンスを提供する。 WILTを4つのターゲットモデルと8つの動作で評価し、32設定のうち30設定でベースライン監査を破る。
  論文  参考訳（メタデータ） (2026-08-31T17:10:59Z)
• SlimPer: Make Personalization Model Slim and Smart [20.68857468213109]
  SlimPer は,コンパクトで統一されたユーザ,項目> 知識基盤の反復的改良としてパーソナライズされたランキングを再構築する。 SlimPerは単一のバックボーン内でスパース、シークエンス、シークエンス機能を統一し、アテンションメカニズムを通じて固有の解釈性を提供する。
  論文  参考訳（メタデータ） (2026-07-14T02:31:32Z)
• Strength-Parity Ensembling with Parameter-Isolated Experts for Multi-Task Affect Recognition [4.4644619064521995]
  私たちは2つの感情管理バックボーンにまたがって、行方不明のラベルをマージする共有感情ラテントを構築します。 加算部材がアンサンブル誤差を減少させるのは、現在部材と非相関であり、その近ピアである場合に限る。 その結果、全体の検証スコアは1.6949まで上昇し、主催者のNeXt-with-Mixmentベースラインは0.45である。
  論文  参考訳（メタデータ） (2026-07-12T17:12:15Z)
• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• SP-CACW: Convergence-Aware Client Weighting for Selfish Personalized Learning [8.941998221680409]
  特定対象のクライアントが、負の転送を回避しつつ、自身のリスクを最小限に抑えるためにピア勾配を利用する方法について検討する。 本稿では,収束を考慮したクライアント重み付けフレームワークSP-CACWを提案する。
  論文  参考訳（メタデータ） (2026-06-28T10:28:04Z)
• Putting HUMANS first: Efficient LAM Evaluation with Human Preference Alignment [53.72927532626824]
  わずか50個のサンプル(0.3%のデータ)のサブセットは、完全なベンチマークスコアと0.93以上のピアソン相関を達成可能であることを示す。 選好をより良く予測するために、選択したサブセットの回帰モデルを訓練し、0.98の相関を達成した。 これは回帰モデリングにおいて、よく計算されたサブセットが完全なベンチマークを予測し、量を超える品質を示すことを示している。
  論文  参考訳（メタデータ） (2026-04-20T00:57:31Z)
• P-GenRM: Personalized Generative Reward Model with Test-time User-based Scaling [66.55381105691818]
  P-GenRM(Personalized Generative Reward Model)を提案する。 P-GenRMは、選好信号を適応的なペルソナとスコアリングルーリックを導出する構造化評価チェーンに変換する。 さらにユーザをユーザプロトタイプにクラスタリングし、二重粒度スケーリングメカニズムを導入している。
  論文  参考訳（メタデータ） (2026-02-12T16:07:22Z)
• Personalized Denoising Implicit Feedback for Robust Recommender System [60.719158008403376]
  ユーザの個人的損失分布には,正常なインタラクションとノイズの多いインタラクションが明確に区別されていることを示す。 本稿では,ユーザのパーソナライズロス分布であるPLDを用いてDenoiseに対する再サンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2025-02-01T07:13:06Z)
• Choosing the Right Weights: Balancing Value, Strategy, and Noise in Recommender Systems [3.2855008639856575]
  多くのレコメンデータシステムは、クリック、いいね!、シェアなど、異なるユーザの振る舞いの線形重み付けを最適化する。 各潜在的な行動の3つの側面について考察する。 約7000万のURLからなる大規模なデータセットを使用して、当社のフレームワークをFacebook上での重み付け設計に適用する。
  論文  参考訳（メタデータ） (2023-05-27T09:37:58Z)
• Beyond ADMM: A Unified Client-variance-reduced Adaptive Federated Learning Framework [82.36466358313025]
  我々はFedVRAと呼ばれる原始二重FLアルゴリズムを提案し、このアルゴリズムはグローバルモデルの分散還元レベルとバイアスを適応的に制御することができる。 半教師付き画像分類タスクに基づく実験は,既存の手法よりもFedVRAの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-03T03:27:51Z)
• Partial Bandit and Semi-Bandit: Making the Most Out of Scarce Users' Feedback [62.997667081978825]
  本稿では,ユーザのフィードバックを考慮し,3つの戦略を用いて評価する手法を提案する。 ユーザからのフィードバックが制限されているにも関わらず(全体の20%以下)、我々の手法は最先端のアプローチと同じような結果が得られる。
  論文  参考訳（メタデータ） (2020-09-16T07:32:51Z)

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。