論文の概要: DualSpectralCF: Training-Free Sign-Aware Spectral Collaborative Filtering
- arxiv url: http://arxiv.org/abs/2608.10247v1
- Date: Mon, 10 Aug 2026 21:28:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.824245
- Title: DualSpectralCF: Training-Free Sign-Aware Spectral Collaborative Filtering
- Title（参考訳）: DualSpectralCF: トレーニング不要な手話型スペクトル協調フィルタリング
- Abstract要約: 現実のレコメンデーションプラットフォームは、1つ星レビュー、ヘイトボタンクリック、ユーザー間の不信、および非常に低いウォッチ比のビデオなどの明確なネガティブなフィードバックを収集する。
学習された信号認識レコメンデータは、この信号を明確な精度向上に活用するが、勾配に基づくトレーニングのコストがかかる。
DualSpectralCFは、$hatmathbfr_upm$という形式の任意のスペクトルバックボーンにアタッチされる2つのコンポーネントからなる、トレーニング不要のフレームワークです。
ChebyCF、GF-CF、Turbo上でDualSpectralCFをインスタンス化する
- 参考スコア（独自算出の注目度）: 5.431715810374623
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world recommendation platforms routinely collect explicit negative feedback such as 1-star reviews, hate-button clicks, distrust between users, and very-low watch-ratio videos. Learned sign-aware recommenders exploit this signal for clear accuracy gains, but only at the cost of gradient-based training. In parallel, a line of training-free spectral collaborative filtering methods matches or beats learned graph recommenders at a fraction of the cost, yet operates on positive interactions alone. We bridge these two lines with DualSpectralCF, a training-free framework of two components that attach to any spectral backbone of the form $\hat{\mathbf{r}}_u = F(\mathbf{M}) \mathbf{r}_u$: a signed input signal $\mathbf{r}_u^{\pm}$ that encodes the user's explicit dislikes, and a signed item-item operator $\mathbf{M}^{\pm}$ that blends like-together and dislike-together similarity. The framework is backbone-agnostic and adds just two scalar hyperparameters. We instantiate DualSpectralCF on ChebyCF, GF-CF, and Turbo-CF, and evaluate on five sign-aware benchmarks: every instance matches or beats its unsigned backbone on all 5 datasets, with Recall@20 lifts up to +32.6% with backbone-specific $(γ, κ)$ tuning and +1.9% to +16.0% for DualSpectralCF-Cheby at the fixed default $(γ= -0.5, κ= 0.1)$, and the family runs 7.7 to 155.3$\times$ faster than SIGformer while reaching 70.7% to 90.7% of its accuracy. Sign-awareness helps most for cold-start users, with up to +29.2% Recall@20 on Epinions users with 1 to 5 training items.
- Abstract（参考訳）: 現実世界のレコメンデーションプラットフォームは、1つ星レビュー、ヘイトボタンクリック、ユーザー間の不信、および非常に低い視聴率のビデオなどの明確なネガティブなフィードバックを定期的に収集する。
学習された信号認識レコメンデータは、この信号を明確な精度向上に活用するが、勾配に基づくトレーニングのコストがかかる。
並行して、トレーニングなしのスペクトルコラボレーティブフィルタリング手法のラインは、学習したグラフレコメンデータとわずかなコストで一致または打ち負かすが、肯定的な相互作用のみで動作する。
この2つの行は、DualSpectralCFという2つのコンポーネントからなるトレーニング不要のフレームワークで、フォームの任意のスペクトルバックボーンにアタッチされる。 $\hat{\mathbf{r}}_u = F(\mathbf{M}) \mathbf{r}_u$: 署名された入力信号 $\mathbf{r}_u^{\pm}$ ユーザの明示的な嫌悪をエンコードする。
フレームワークはバックボーンに依存しないため、スカラーハイパーパラメータが2つ追加されている。
Recall@20は、バックボーン固有の$(γ, κ)$ tuning and +1.9% to +16.0% for DualSpectralCF-Cheby at the fixed default $(γ= -0.5, κ= 0.1)$, and the family run 7.7 to 155.3$\times$ faster than SIGformer while reach 70.7% to 90.7%。
サインアウェアネスはコールドスタートユーザーにとって最も役立ち、エピニオンユーザーには+29.2%のRecall@20と1～5のトレーニングアイテムがある。
関連論文リスト
- The Filter Metric is Safety-Critical: Phantom Advantages in Group-Relative RL under Shaped Rewards [1.667501390377158]
グループ相対的なポリシー最適化は、動的サンプリングによって非コントラストのロールアウトグループを捨てることができる。
我々は,複合形状の報酬の下で,計量述語ミスマッチを同定し,定量化する。
論文 参考訳（メタデータ） (2026-09-12T10:36:55Z) - Fork Where the Model Changes Its Mind: Belief-Shift Branching for Tree-Structured Reinforcement Learning [62.24941741019998]
分岐配置をチェーンの値曲線のエンフスの位置として定式化し、期待される結果が変わる。
ステップレベルの監視を必要としない3つのインスタンス化は、ブラックボックスプローブ、ログレンズの深さプロファイル、学習されたアクティベーション方向というアクセスレベルにまたがる。
論文 参考訳（メタデータ） (2026-09-10T04:06:45Z) - Ockhamareto: Pareto-Gated Segment-Level Credit Assignment for Concise Unit-Test Generation with Reinforcement Learning [64.49364696628294]
我々は単発のGRPOフレームワークであるtextbfOckhamaretoを紹介した。
Ockhamaretoには2つの主要なコンポーネントがある: (i)emphPareto-gated Bonusは、(mutation, $-$#tests)スペースで非支配的なロールアウトのみを報酬する。
論文 参考訳（メタデータ） (2026-08-25T12:20:02Z) - Prism: Structural Symmetry Scanning via Duality-Constrained Laplacian Projection [0.0]
複雑なネットワークにおける構造対称性診断のためのフレームワークである textbfPrism を導入する。
Prismは、ネットワークが構造的自己整合性からどのくらい離れているかを測定するスカラーである。
論文 参考訳（メタデータ） (2026-05-18T04:20:05Z) - The Growing Pains of Frontier Models: When Leaderboards Stop Separating and What to Measure Next [0.0]
リーダーボードは独立した軸上でフロンティアモデルをランク付けするが、機能強化やリリース間のトレードオフは明らかにしない。
我々はSWEベンチとGPQAダイアモンドスコアを集団結合傾向とリリース毎残差に分解する。
我々は,3段階のプレイブック(位置,診断,回転),ラベルごとの測定・優先度表,そして7つの偽造予測を提供する。
論文 参考訳（メタデータ） (2026-05-13T03:19:38Z) - SignMuon: Communication-Efficient Distributed Muon Optimization [1.009732307721003]
本稿では,SGD からの多数投票符号の集約と Muon の極性に基づくフレームワークを組み合わせた 1 ビット行列対応の Sign-Muon を提案する。
330AR-10/ResNet-50構成で、Sign-Muonは最もスムーズなトレーニング時間(92.15% 4-GPUの多数投票型)を、他の符号ベースのベースラインよりも37%小さくする。
論文 参考訳（メタデータ） (2026-05-04T13:29:55Z) - Hardware Validation of DAGI via a Modular "Ridge" Signature and High-Order Synergistic Information [0.0]
IBM Quantumハードウェア上でのDAGI(Directed Acyclic Graph Information)フレームワーク。
理想的な出力分布が低次元モジュラー多様体(リッジ)に制約される小さな制御された実験
キーリカバリはチャンスを超えた:ショット毎の精度0.1689(チャンス0.125,95% Wilson CI[0.1610, 0.1772])
これらの結果は、DAGIが非自明でハードウェアに耐性のある情報構造を検出し、定量化するという主張を支持する。
論文 参考訳（メタデータ） (2026-04-16T14:16:59Z) - Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。
任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。
本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
論文 参考訳（メタデータ） (2026-02-19T17:21:15Z) - Scale-Invariant Regret Matching and Online Learning with Optimal Convergence: Bridging Theory and Practice in Zero-Sum Games [60.871651115241406]
ゼロサムゲームにおける理論と実践の間、何十年にもわたってかなりのシャズムが一階法によって浸食されてきた。
我々は、IREG-PRM$+$と呼ぶPRM$+$の新しいスケール不変かつパラメータフリーな変種を提案する。
ベンチマークゲームでは, PRM$+$と同等でありながら, 最適収束保証を$T-1/2$, $T-1$とする。
論文 参考訳（メタデータ） (2025-10-06T00:33:20Z) - Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。
認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。
この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
論文 参考訳（メタデータ） (2025-10-01T13:56:44Z) - Low PAPR MIMO-OFDM Design Based on Convolutional Autoencoder [20.544993155126967]
ピーク対平均電力比(mathsfPAPR$)削減と波形設計のための新しい枠組みを提案する。
畳み込みオートコーダ(mathsfCAE$)アーキテクチャが提示される。
1つのトレーニングされたモデルが、幅広いSNRレベルにわたって、$mathsfPAPR$の削減、スペクトル設計、および$mathsfMIMO$の検出のタスクをカバーしていることを示す。
論文 参考訳（メタデータ） (2023-01-11T11:35:10Z) - Provable Robustness of Adversarial Training for Learning Halfspaces with
Noise [95.84614821570283]
ラベル雑音の存在下での敵対的ロバストなハーフスペースの特性を分析する。
我々の知る限りでは、これは敵の訓練がノイズの分類子を与えることを示す最初の研究である。
論文 参考訳（メタデータ） (2021-04-19T16:35:38Z)
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。