論文の概要: IntHQ: Task-Interactive Hierarchical Query on Dual-Stream Representations for Generative Recommendation

• arxiv url: http://arxiv.org/abs/2608.09634v1
• Date: Mon, 10 Aug 2026 14:13:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.300677
• Title: IntHQ: Task-Interactive Hierarchical Query on Dual-Stream Representations for Generative Recommendation
• Title（参考訳）: IntHQ: 生成レコメンデーションのためのデュアルストリーム表現に関するタスク対話型階層クエリ
• Abstract要約: 既存のマルチタスクは本質的に3倍の崩壊を起こしやすいことを示す。 InHQは3つのコンポーネントを持つマルチタスク生成レコメンデータで、1つの崩壊を緩和する。 オフライン評価では、InHQは4つの代表的なタスクヘッド構成の下で、競争力のあるバックボーンを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 20.546679348797905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-task learning over heterogeneous data is fundamental to modern recommendation, while generative models are emerging as the backbone of next-generation recommenders. However, the integration of multi-task learning into the generative paradigm remains largely unexplored. Existing multi-task recommenders, in both discriminative and generative paradigms, extract task-relevant features from a single task-agnostic representation and wire tasks into a predefined conversion funnel. We show that this scheme is inherently prone to a threefold collapse. Source collapse, where task-specific signals are injected late and diluted in the shared latent space. Relational collapse, where task dependencies are either implicitly absorbed by the backbone or statically fixed by predefined funnels. Hierarchical collapse, where tasks depend on features at different scales and shift across training stages. We propose IntHQ, a multi-task generative recommender with three components, each alleviating one collapse. Dual-Stream Decoupling (DSD) injects task identity into computation stream early and separates the shared context stream from the task-specific stream, alleviating signal dilution. Task-Interactive Modeling (TIM) replaces the predefined funnel with explicit cross-task interaction, letting each task condition on the realized outcomes of its predecessors with learned, input-adaptive strength. Hierarchical Querying (HQ) lets each task gather multi-scale information across different layers at different training stages. In offline evaluations, IntHQ consistently outperforms competitive encoder backbones under four representative task-head configurations. Deployed in production on Amap, serving hundreds of millions of users for travel recommendation, IntHQ yields a 1.60\% relative UVCTR lift.
• Abstract（参考訳）: 異種データによるマルチタスク学習は現代のレコメンデーションの基本であり、生成モデルは次世代レコメンデーションのバックボーンとして現れている。 しかし、マルチタスク学習を生成パラダイムに統合することは、まだほとんど解明されていない。 既存のマルチタスクレコメンデータは、識別的パラダイムと生成的パラダイムの両方において、1つのタスク非依存表現からタスク関連特徴を抽出し、ワイヤタスクを事前に定義された変換ファネルに抽出する。 このスキームは本質的に3倍の崩壊を起こしやすいことを示す。 ソース崩壊 - タスク固有の信号が遅れて注入され、共有潜在空間で希釈される。 タスク依存がバックボーンによって暗黙的に吸収されるか、事前に定義されたファンネルによって静的に固定されるリレーショナル崩壊。 タスクは異なる規模の機能に依存し、トレーニングステージをまたいでシフトする階層的な崩壊。 3つのコンポーネントを持つマルチタスク生成レコメンデータであるIntHQを提案する。 デュアルストリームデカップリング(DSD)は、タスクアイデンティティを計算ストリームに早期に注入し、共有コンテキストストリームをタスク固有のストリームから分離し、信号の希釈を緩和する。 Task-Interactive Modeling (TIM) は、事前に定義されたファンネルを明示的なクロスタスク相互作用に置き換え、各タスク条件を前任者の実現した結果に学習された入力適応力で与える。 階層的クエリ(HQ)では、各タスクが異なるトレーニング段階において、異なるレイヤにまたがるマルチスケール情報を収集することができる。 オフライン評価では、IntHQは4つの代表的なタスクヘッド構成の下で、競争力のあるエンコーダバックボーンを一貫して上回っている。 Amap上で本番環境に展開され、数億人の利用者に旅行勧告を提供しており、相対的なUVCTRリフトは1.60 %である。

関連論文リスト

• Task-Blind No MORE: Multi-Task Information Flow in Unified Ranking Backbones [15.647515309133025]
  MORE (Multi-task cO-evolving Ranking modEl) はバックボーン内にマルチタスク情報フローを埋め込む。 タスク固有の信号は、ポストホック融合ではなく、各レイヤでシーケンスと特徴表現を共進化させることができる。 MOREは、同等のパラメータとFLOPの予算の下で、すべてのタスクのベースラインを一貫して上回り、モデルサイズとうまくスケールします。
  論文  参考訳（メタデータ） (2026-09-07T09:36:57Z)
• DRDN: Decoupled Representation Dynamic Network for From-Scratch ViT Class-Incremental Learning [6.097306160389619]
  クラスインクリメンタルラーニング(CIL)のための動的拡張手法は、専用トークンや計算作業でタスク固有の知識を保護する。 我々は、主に現在のタスクデータに対する逐次トレーニングからのクロスタスクの混乱と、バックボーン内の過度に最適化された共有表現の2つの課題を特定する。 本稿では,2つのメカニズムを通じてこれらの課題に対処する解答表現動的ネットワーク(DRDN)を提案する。
  論文  参考訳（メタデータ） (2026-07-02T02:57:58Z)
• Training-free Task Classification for Multi-Task Model Merging [15.100638024422741]
  以前の研究は主に1つのマージされたモデルを見つけることに焦点を当てていたが、パラメータ干渉のため、個々の専門家を過小評価することが多い。 各テスト入力に対して、トレーニング不要なタスク分類としてルーティングを定式化する。 SiMはマージモデルのパフォーマンスを大幅に改善し、個別のタスクエキスパートへのギャップを一貫して狭めます。
  論文  参考訳（メタデータ） (2026-06-21T16:51:29Z)
• Conditional Diffusion Model for Multi-Agent Dynamic Task Decomposition [28.219354326144654]
  動的タスク分解のための条件拡散モデル(C$textDtext3$T) サブタスクとコーディネーションパターンを自動的に推論するように設計された2階層型MARLフレームワーク。 エージェントは、割り当てられたサブタスク内で特別なスキルを共同で学び、共有する。
  論文  参考訳（メタデータ） (2025-11-17T08:46:31Z)
• StableMTL: Repurposing Latent Diffusion Models for Multi-Task Learning from Partially Annotated Synthetic Datasets [14.867396697566257]
  部分学習のセットアップをゼロショット設定に拡張し、複数のデータセット上でマルチタスクモデルをトレーニングします。 我々の方法であるStableMTLは、遅延回帰のために画像生成装置を再利用する。 タスク毎の損失に対して、注意深いバランスを必要とするのではなく、統一された潜伏損失を採用し、より多くのタスクにシームレスなスケーリングを可能にします。
  論文  参考訳（メタデータ） (2025-06-09T17:59:59Z)
• Comprehensive Generative Replay for Task-Incremental Segmentation with Concurrent Appearance and Semantic Forgetting [49.87694319431288]
  一般的なセグメンテーションモデルは、異なる画像ソースからの様々なオブジェクトを含む様々なタスクに対して、ますます好まれている。 画像とマスクのペアを合成することで外観と意味の知識を復元する包括的生成(CGR)フレームワークを提案する。 漸進的タスク(心身、基礎、前立腺のセグメンテーション)の実験は、同時出現と意味的忘れを緩和する上で、明らかな優位性を示している。
  論文  参考訳（メタデータ） (2024-06-28T10:05:58Z)
• SMAUG: A Sliding Multidimensional Task Window-Based MARL Framework for Adaptive Real-Time Subtask Recognition [11.236363226878975]
  サブタスクベースのマルチエージェント強化学習(MARL)手法により、エージェントは異なるサブタスクに対処する方法を学ぶことができる。 textbfSliding textbfMultidimensional ttextbfAsk window based mtextbfUti-agent reinforcement learnintextbfG framework (SMAUG) を提案する。 StarCraft IIの実験では、SMAUGはすべてのベースラインと比較してパフォーマンス上の優位性を示すだけでなく、より顕著で迅速な報酬の上昇を示す。
  論文  参考訳（メタデータ） (2024-03-04T08:04:41Z)
• Robust Subtask Learning for Compositional Generalization [20.54144051436337]
  我々は、どんなタスクでも実行できるように、サブタスクポリシーをトレーニングする問題に焦点を合わせます。 我々は、平均的なケースのパフォーマンスとは対照的に、すべてのタスクで最悪のケースのパフォーマンスを最大化することを目指している。
  論文  参考訳（メタデータ） (2023-02-06T18:19:25Z)
• Multi-Task Learning with Multi-Query Transformer for Dense Prediction [38.476408482050815]
  本稿では,複数のタスク間の推論を容易にするために,Multi-Query Transformer (MQ Transformer) という単純なパイプラインを提案する。 異なるタスク間での高密度なピクセル単位のコンテキストをモデル化する代わりに、タスク固有のプロキシを使ってクロスタスク推論を行う。 実験の結果,提案手法は有効な手法であり,最先端の結果が得られた。
  論文  参考訳（メタデータ） (2022-05-28T06:51:10Z)
• Fast Inference and Transfer of Compositional Task Structures for Few-shot Task Generalization [101.72755769194677]
  本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。 我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。 提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
  論文  参考訳（メタデータ） (2022-05-25T10:44:25Z)
• On Steering Multi-Annotations per Sample for Multi-Task Learning [79.98259057711044]
  マルチタスク学習の研究はコミュニティから大きな注目を集めている。 目覚ましい進歩にもかかわらず、異なるタスクを同時に学習するという課題はまだ検討されていない。 従来の研究は、異なるタスクから勾配を修正しようとするが、これらの手法はタスク間の関係の主観的な仮定を与え、修正された勾配はより正確でないかもしれない。 本稿では,タスク割り当てアプローチによってこの問題に対処する機構であるタスク割当(STA)を紹介し,各サンプルをランダムにタスクのサブセットに割り当てる。 さらなる進展のために、我々は全てのタスクを反復的に割り当てるためにInterleaved Task Allocation(ISTA)を提案する。
  論文  参考訳（メタデータ） (2022-03-06T11:57:18Z)
• Low Resource Multi-Task Sequence Tagging -- Revisiting Dynamic Conditional Random Fields [67.51177964010967]
  異なるタスクに対するラベルシーケンス間の依存関係を利用する低リソースマルチタスクシーケンスタグの異なるモデルを比較した。 タスク予測間の相互依存性の明示的モデリングは、通常のマルチタスクモデルと同様にシングルタスクよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-01T07:11:34Z)
• Adversarial Continual Learning [99.56738010842301]
  本稿では,タスク不変およびタスク特化機能に対する不整合表現を学習するハイブリッド連続学習フレームワークを提案する。 本モデルでは,タスク固有のスキルの忘れを防止するためにアーキテクチャの成長と,共有スキルを維持するための経験的リプレイアプローチを組み合わせる。
  論文  参考訳（メタデータ） (2020-03-21T02:08:17Z)
• Meta Reinforcement Learning with Autonomous Inference of Subtask Dependencies [57.27944046925876]
  本稿では,タスクがサブタスクグラフによって特徴づけられるような,新しい数発のRL問題を提案し,対処する。 メタ政治を直接学習する代わりに、Subtask Graph Inferenceを使ったメタラーナーを開発した。 実験の結果,2つのグリッドワールド領域とStarCraft II環境において,提案手法が潜在タスクパラメータを正確に推定できることが確認された。
  論文  参考訳（メタデータ） (2020-01-01T17:34:00Z)

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。