Fugu-MT 論文翻訳(概要): Sequential Modality Dropout for Robust Multi-Modal Sequential Recommendation

論文の概要: Sequential Modality Dropout for Robust Multi-Modal Sequential Recommendation

arxiv url: http://arxiv.org/abs/2608.10240v1
Date: Mon, 10 Aug 2026 21:18:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-12 19:14:45.814642
Title: Sequential Modality Dropout for Robust Multi-Modal Sequential Recommendation
Title（参考訳）: ロバストなマルチモーダルシーケンスレコメンデーションのための逐次モーダリティ・ドロップアウト
Abstract要約: マルチモーダルシーケンシャルレコメンダは、すべてのアイテムがあらゆるモダリティを持っていると仮定するが、実際の製品カタログは画像やテキストを見逃すことが多い。 SMD(Sequential Modality Dropout)を提案する。トレーニング中、各モダリティストリーム(画像とテキスト)は、ユーザインタラクション履歴全体の確率pで独立に消去されるため、モデルは単一のモダリティに頼ることなく次のアイテムを予測することを学ぶ。
参考スコア（独自算出の注目度）: 16.247560684789534
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-modal sequential recommenders assume every item carries every modality, but real product catalogs often miss images or text, and a model trained on complete data loses much of its recommendation accuracy when a modality is unavailable at serving time. We propose Sequential Modality Dropout (SMD): during training, each modality stream (image and text) is independently erased with probability p for an entire user interaction history, so the model learns to predict the next item without relying on any single modality. We measure robustness by retention, the fraction of a model's full-modality accuracy (HR@10) that survives when a modality is removed at test time. Across four backbones (MM-SASRec, IISAN, MISSRec, and fMRLRec) on four Amazon domains, SMD raises text retention by 1.0 to 3.2x at essentially no cost to full-modality accuracy; under an extreme 95% per-item missing rate, it retains 61% of HR@10 versus 22% without (a 2.8x improvement). An optional cross-modal reconstruction loss further lifts retention from 90% to 98% on a simple additive backbone under severe text missingness. SMD is a four-line, architecture-agnostic change that makes multi-modal sequential recommenders robust to the missing modalities they actually encounter in deployment.
Abstract（参考訳）: マルチモーダルシーケンシャルレコメンデータは、すべてのアイテムがあらゆるモダリティを持っていると仮定するが、実際の製品カタログは画像やテキストを見逃しがちであり、完全なデータに基づいてトレーニングされたモデルは、サービス時にモダリティが利用できない場合、そのレコメンデーションの精度の多くを失う。トレーニング中、各モードストリーム(画像とテキスト)は、ユーザインタラクション履歴全体の確率pで独立に消去されるので、モデルは単一のモダリティに頼ることなく次の項目を予測することを学習する。モデルがテスト時にモダリティを除去した場合に残る完全モダリティ精度(HR@10)のごく一部である保持によるロバストネスを測定する。 SMDは4つのAmazonドメイン上の4つのバックボーン(MM-SASRec、IISAN、MISSRec、fMRLRec)にわたって、テキストの保持率を1.0から3.2倍に高めている。オプションのクロスモーダル再構築損失は、重度のテキスト欠失下での単純な添加性バックボーンの保持を90%から98%に引き上げる。 SMDは4行のアーキテクチャに依存しない変更であり、マルチモーダルシーケンシャルなレコメンデータを、実際にデプロイメントで遭遇するモダリティの欠如に対して堅牢にする。

関連論文リスト

A Generative AI Integrated Multimodal Framework for Low-Latency Multi-Camera Person Re-Identification [0.18427704077999105]
我々は、欠落したキューと低レイテンシのデプロイメント下での堅牢性を明確に設計した、生成AI統合マルチモーダルReIDフレームワークを提案する。我々は, Market-1501 および DukeMTMC-reID ベンチマークにおいて,mAP と Rank-1 の精度を用いた人物識別性能について報告する。
論文参考訳（メタデータ） (2026-09-13T10:40:38Z)
Data Scarcity and Model Sparsity: Mixtures-of-Experts Overfit More to Repeated Data [119.14301046837822]
データ繰り返しにおいて、Mixture-of-Experts(MoEs)はより高速に劣化することを示す。データが64回以上繰り返された場合でも、MoEは高密度モデルより優れている。高繰り返し状態におけるMoE過剰適合と相関する内部機構を解析した。
論文参考訳（メタデータ） (2026-09-10T17:57:33Z)
Omni2LoRA: Coherence-Preserving Parametric Memory for Efficient Omni Language Models [65.49950267695267]
我々はコヒーレンス保存コンテクスト蒸留によるパラメトリックメモリの効率的な圧縮フレームワークであるOmni2LoRAを紹介する。本手法は,マルチモーダルメモリを固定予算で再利用可能なパラメータ状態に変換することにより,応答時間のマルチモーダルトーケン負荷をゼロにする。
論文参考訳（メタデータ） (2026-08-10T07:49:10Z)
Meta-Modal Agent: Sequential Evidence Routing for Missing-Modality Candidate Reranking [12.476704430465754]
メタモーダルエージェント (Meta-Modal Agent, MMA) は, 欠陥を逐次的エビデンスルーティング問題として扱う, 大規模言語モデルに基づく候補プールリランカである。 MMAは、マスク付きモダリティエピソードに対するバランスのとれた欠如の強化学習で訓練されている。 MMA-Autoは自動テキスト、画像、グラフツールのみを使用するもので、MMA-Interactiveは、上行診断として生き残ったモダリティに基づく明確化の質問を許可する。
論文参考訳（メタデータ） (2026-05-24T11:22:03Z)
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)
ReID5o: Achieving Omni Multi-modal Person Re-identification in a Single Model [59.00754756072231]
Omni Multi-modal Person Re-identification (OM-ReID) と呼ばれる新しい課題について検討する。 ORBenchは、5つのモダリティにまたがる1,000のユニークなIDからなる最初の高品質なマルチモーダルデータセットである。また,ReIDのための新しいマルチモーダル学習フレームワークであるReID5oを提案する。
論文参考訳（メタデータ） (2025-06-11T04:26:13Z)
RMMSS: Towards Advanced Robust Multi-Modal Semantic Segmentation with Hybrid Prototype Distillation and Feature Selection [9.418241223504252]
RMMSSは、モダリティの欠如した条件下でモデルロバスト性を高めるために設計された2段階のフレームワークである。これは2つの重要なコンポーネントで構成されている。ハイブリッドプロトタイプ蒸留モジュール (HPDM) と特徴選択モジュール (FSM) である。 3つのデータセットに対する実験により,本手法は,それぞれ2.80%,3.89%,0.89%のモダリティ性能を向上することを示した。
論文参考訳（メタデータ） (2025-05-19T08:46:03Z)
Benchmarking Multi-modal Semantic Segmentation under Sensor Failures: Missing and Noisy Modality Robustness [61.87055159919641]
マルチモーダルセマンティックセグメンテーション(MMSS)は、モーダル間で補完情報を統合することで、単一モーダルデータの制限に対処する。顕著な進歩にもかかわらず、マルチモーダルデータ品質の変動と不確実性により、研究と実世界の展開の間に大きなギャップが持続する。 Intire-Missing Modality (EMM)、Random-Missing Modality (RMM)、Noisy Modality (NM)の3つのシナリオでMMSSモデルを評価する頑健性ベンチマークを導入する。
論文参考訳（メタデータ） (2025-03-24T08:46:52Z)
Robust Modality-incomplete Anomaly Detection: A Modality-instructive Framework with Benchmark [69.02666229531322]
モダリティ不完全産業異常検出(MIIAD)の先駆的研究を紹介する。その結果,既存のMIAD手法はMIIADベンチでは性能が悪く,性能が著しく低下していることが判明した。本稿では,新しい2段階のロバストモードアリティファジングと検出フレームwoRk(RADAR)を提案する。
論文参考訳（メタデータ） (2024-10-02T16:47:55Z)
Dealing with All-stage Missing Modality: Towards A Universal Model with Robust Reconstruction and Personalization [14.606035444283984]
現在のアプローチでは、推論中にモダリティ不完全入力を処理するモデルの開発に重点を置いている。本稿では、モダリティ再構成とモデルパーソナライゼーションを備えた頑健な普遍モデルを提案する。本手法は2つの脳腫瘍セグメンテーションベンチマークで広範囲に検証されている。
論文参考訳（メタデータ） (2024-06-04T06:07:24Z)

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。