論文の概要: TimeRoute: Time-Aware Modality Routing and Diffusion for Multi-Modal Recommendation

• arxiv url: http://arxiv.org/abs/2608.10983v1
• Date: Tue, 11 Aug 2026 14:36:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.077194
• Title: TimeRoute: Time-Aware Modality Routing and Diffusion for Multi-Modal Recommendation
• Title（参考訳）: TimeRoute:マルチモーダルレコメンデーションのための時間を考慮したモーダリティルーティングと拡散
• Abstract要約: マルチモーダルレコメンデータは、テキスト、画像、オーディオなどのアイテムモダリティとコラボレーティブなシグナルを融合するが、それぞれのドリフトの有用性は時間とともに異なる。 このモダリティの時間スケールのミスマッチは、2つの組み合わせの課題を生み出します。 統合拡散ベースのレコメンデータであるTimeRouteで、両方の課題に対処します。
• 参考スコア（独自算出の注目度）: 16.762261044927467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-modal recommenders fuse collaborative signals with item modalities such as text, images, and audio, but the usefulness of each drifts over time and at different rates. For example, chocolate purchases typically guided by textual ingredient cues can shift toward visual packaging and ambient audio around Valentine's Day. This modality time-scale mismatch gives rise to two coupled challenges: (1) users require different modality proportions across temporal contexts, and (2) less relevant modalities are more likely to introduce outdated or misleading signals into the recommender. We address both challenges within a unified diffusion-based recommender, TimeRoute. A temporal-aware modal router maps each user's aggregated behavioral features to a personalized modality distribution, replacing the globally shared fusion weights used in prior work. The diffusion-based graph reconstructor is then conditioned on the same temporal profile through Feature-wise Linear Modulation (FiLM) with dual-stream long- and short-term denoising heads, suppressing outdated modality edges before they enter the propagation graph. Experiments on TikTok, Amazon-Baby, and Amazon-Sports demonstrate consistent improvements of up to 9.8\% in Recall@K, Precision@K, and NDCG@K over strong baselines across 10-seed paired tests. Code is available at https://anonymous.4open.science/r/TimeRoute.
• Abstract（参考訳）: マルチモーダルレコメンデータは、テキスト、画像、オーディオなどのアイテムモダリティとコラボレーティブなシグナルを融合するが、それぞれのドリフトの有用性は時間とともに異なる。 例えば、典型的にはテキストの材料によってガイドされるチョコレートの購入は、バレンタインデーの頃に視覚的なパッケージングや周囲のオーディオに移行することができる。 このモダリティ・タイムスケールのミスマッチは、(1)ユーザーは時間的文脈によって異なるモダリティ・パーセンテージを必要とし、(2)関連性の低いモダリティは、時代遅れや誤解を招くシグナルをレコメンデーターに導入しがちである。 統合拡散ベースのレコメンデータであるTimeRouteで、両方の課題に対処します。 時間アウェアなモーダルルータは、各ユーザの集約された行動特徴をパーソナライズされたモーダル分布にマッピングし、以前の作業で使用したグローバルな共有融合重みを置き換える。 拡散型グラフ再構成器は、伝搬グラフに入る前の時代遅れのモーダリティエッジを抑えるために、二列長手および短手長手ヘッドを持つ機能ワイド線形変調(FiLM)を介して、同じ時間プロファイルに条件付けされる。 TikTok、Amazon-Baby、Amazon-Sportsの実験では、10列のペアテストの強いベースラインに対して、Recall@K、Precision@K、NDCG@Kで最大9.8\%の改善が一貫した。 コードはhttps://anonymous.4open.science/r/TimeRouteで入手できる。

関連論文リスト

• AsyncCouple-Flow: Asynchronous Cross-Modal Coupling and Flow Matching for Spatio-Temporal Forecasting [14.101995007248997]
  AsyncCouple-Flowは、物理フィールド、衛星センサー、insituセンサーなどの異質なソースを組み合わせることで、天気予報、交通予報、地球系のモデリングをサポートする。 AsyncCouple-Flowは最先端のベースラインよりも優れており、最大2つの欠落したモダリティで堅牢である。
  論文  参考訳（メタデータ） (2026-09-15T03:15:14Z)
• Surprise Forcing: What to Remember, When to Skip in Long Video Generation [65.0022589149937]
  自己回帰拡散をストリーミングすることで、ミニスケールのビデオ合成が実用的になるが、そのコンテキスト境界と固定化スケジュールはリソースを均一に割り当てる。 我々は、両方の制限をオンラインリソース割り当て問題として扱う、トレーニング不要のフレームワークであるSurprise Forcingを紹介した。 VBench、VBench-Long、VBench-2.0の実験では、提案されたアロケーション戦略は、リアルタイムストリーミングスループットを維持しながら、長時間の一貫性と視覚的品質を改善する。
  論文  参考訳（メタデータ） (2026-07-20T18:37:58Z)
• Intra-Modal Neighbors Never Lie: Rectifying Inter-Modal Noisy Correspondence via Graph-Based Intra-Modal Reasoning [35.81581893839085]
  大規模ウェブハーベストデータセットは、クロスモーダル検索の進展を加速させているが、必然的にノイズ対応に悩まされている。 In-modal Neighbor-aware Noise Rectification (IN2R) という新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2026-06-02T12:26:28Z)
• TIE: Time Interval Encoding for Video Generation over Events [50.66585165263848]
  ディレクタースタイルのプロンプト、ロボットアクション予測、インタラクティブなビデオエージェントは、同時イベントに対する時間的根拠を要求する。 現代のビデオジェネレータは、ポイントワイドな位置エンコーディングを通して、タイムを離散的なポイントとして表現する。 Time Interval TIEは、プラグイン・アンド・プレイ・インターバル・アウェアの一般化である。
  論文  参考訳（メタデータ） (2026-05-11T13:23:14Z)
• Joint Behavior-guided and Modality-coherence Conditional Graph Diffusion Denoising for Multi Modal Recommendation [5.971765441013208]
  マルチモーダルレコメンデーションはGCNベースのレコメンデーション手法において顕著な成功を収めている。 1) ユーザの好みとは無関係なマルチモーダル機能には大量の冗長情報が存在する。 本研究は,マルチモーダル特徴とユーザフィードバックを併用したJBM-Diff(Joint Behavior-guided and Modal-Consistent Conditional Graph Diffusion Model)を提案する。
  論文  参考訳（メタデータ） (2026-04-04T09:10:35Z)
• Team RAS in 10th ABAW Competition: Multimodal Valence and Arousal Estimation Approach [53.64487844936037]
  本手法は,顔,行動,音声の3つの相補的なモードを組み合わせる。 実験により,提案したマルチモーダル核融合戦略は, Aff-Wild2 開発セット上で0.658 の一致相関係数(CCC)を達成することを示した。
  論文  参考訳（メタデータ） (2026-03-13T15:06:14Z)
• OmniForcing: Unleashing Real-time Joint Audio-Visual Generation [51.031726911410594]
  最近のジョイントオーディオ・視覚拡散モデルは、優れた生成品質を実現するが、高いレイテンシーに悩まされる。 OmniForcingは、オフラインの双方向拡散モデルを高忠実度ストリーミングオートレジェネレータに蒸留する最初のフレームワークである。
  論文  参考訳（メタデータ） (2026-03-12T08:17:36Z)
• Sequences as Nodes for Contrastive Multimodal Graph Recommendation [10.466765832314683]
  MuSICRecは、協調的、シーケンシャル、マルチモーダルな信号を組み合わせたグラフベースのレコメンデータである。 Amazon Baby、Sports、Electronicsのデータセットでは、MuSICRecは最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-06T21:35:12Z)
• TimeDART: A Diffusion Autoregressive Transformer for Self-Supervised Time Series Representation [6.047856576139978]
  我々は,新しい自己教師型時系列事前学習フレームワークである textbfTimeDART を提案する。 TimeDARTは2つの強力な生成パラダイムを統合し、より伝達可能な表現を学ぶ。 時系列予測と分類のための公開データセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2024-10-08T06:08:33Z)
• FOCAL: Contrastive Learning for Multimodal Time-Series Sensing Signals in Factorized Orthogonal Latent Space [7.324708513042455]
  本稿では,マルチモーダル時系列センシング信号から包括的特徴を抽出する,FOCALと呼ばれる新しいコントラスト学習フレームワークを提案する。 ダウンストリームタスクにおける最先端のベースラインを、明確なマージンで一貫して上回る。
  論文  参考訳（メタデータ） (2023-10-30T22:55:29Z)
• MomentDiff: Generative Video Moment Retrieval from Random to Real [71.40038773943638]
  私たちは、MomentDiffという拡散に基づく生成フレームワークを提供しています。 MomentDiffは、ランダムなブラウジングから段階的なローカライゼーションまで、典型的な人間の検索プロセスをシミュレートする。 MomentDiffは3つの公開ベンチマークで最先端の手法を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2023-07-06T09:12:13Z)
• Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer [69.0621959845251]
  本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。 TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。 5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-14T22:50:53Z)

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。