Fugu-MT 論文翻訳(概要): Sona Technical Report

論文の概要: Sona Technical Report

arxiv url: http://arxiv.org/abs/2608.11015v2
Date: Wed, 12 Aug 2026 13:04:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-13 14:28:20.66666
Title: Sona Technical Report
Title（参考訳）: Sona Technical Report
Abstract要約: 本稿では,Yandex Musicの単一モデル生成レコメンデータであるSonaを紹介する。 Sonaは、共有ユーザ表現を中心に候補生成とランキングを統一する。 We evaluate Sona in a online A/B experiment using live traffic from My Vibe on smart speaker。
参考スコア（独自算出の注目度）: 21.837076185962
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce Sona, a single-model generative recommender for Yandex Music. In an online A/B test, Sona replaced the entire production cascade, comprising more than 15 candidate generators followed by pre-ranking and ranking models that consume hundreds of features, including signals from large transformer models such as Argus and target-attention scorers, while significantly improving key engagement metrics. The architecture of Sona unifies candidate generation and ranking around a shared user representation. Its encoder transforms the user's chronological sequence of logged engagement events into hidden states consumed by both the autoregressive decoder and the Ranking Module. The next-token-prediction and distillation objectives jointly update the encoder, coupling generation and ranking through the same user state. Neither Sona nor its Teacher Ranker uses hand-engineered features; both operate on logged event fields and learned item representations. In the final Sona configuration, the larger teacher supplies ranking targets during training but is absent from serving, leaving the encoder, decoder, and Ranking Module as a single deployed model. We evaluate Sona in an online A/B experiment using live traffic from My Vibe on smart speakers, one of Yandex Music's largest recommendation surfaces. Relative to the production control, Sona produced statistically significant uplifts of 4.53% in Active Users, the primary metric, 6.30% in Total Listening Time, and 11.42% in Likes. These effects were incremental to improvements retained from preceding deployments. The Active Users uplift was 2.35 times the increment previously delivered by Argus, the strongest model deployed on this surface before Sona. These results show that a single jointly trained model can replace a mature multi-stage recommendation cascade while improving recommendation quality on live traffic.
Abstract（参考訳）: 本稿では,Yandex Musicの単一モデル生成レコメンデータであるSonaを紹介する。オンラインA/Bテストで、Sonaは15以上の候補ジェネレータと、Argusやターゲットアテンションスコアラーといった大きなトランスフォーマーモデルからの信号を含む数百の機能を消費するプレランクとランキングモデルを含む、プロダクションのカスケード全体を置き換え、キーエンゲージメントの指標を大幅に改善した。 Sonaのアーキテクチャは、候補生成と、共有ユーザ表現を中心としたランキングを統一する。そのエンコーダは、ユーザのログ化されたエンゲージメントイベントの時系列シーケンスを、自動回帰デコーダとランキングモジュールの両方が消費する隠れ状態に変換する。次トーケン予測および蒸留の目的は、エンコーダ、結合生成およびランク付けを同一ユーザ状態を通じて共同で更新することである。 SonaもTeacher Rankerも手作業による機能を使用しておらず、どちらもログ化されたイベントフィールドと学習されたアイテム表現で動作する。最終的なSona設定では、より大きな教師はトレーニング中にランク付け対象を提供するが、サービスを提供しておらず、エンコーダ、デコーダ、ランク付けモジュールを単一のデプロイモデルとして残している。我々は、Yandex Musicの最大の推奨サーフェスの1つであるスマートスピーカー上で、My Vibeからのライブトラフィックを使用して、オンラインA/B実験でSonaを評価する。生産管理とは対照的に、ソナはアクティブ・ユーザーで4.53%、メイン・メトリックが6.30%、トータル・リスニング・タイムが6.30%、いいね! これらの効果は、以前の配備から維持された改善に漸進的に及んだ。アクティブ・ユーザー・アップリフトは、ソナより前にこの表面に配備された最も強力なモデルであるアーガスの2.35倍の増量であった。これらの結果から,成熟した多段階レコメンデーションカスケードを置き換えつつ,ライブトラフィックにおけるレコメンデーション品質を向上できるモデルが1つ存在することが示唆された。

関連論文リスト

VA-Judger: Reward Modeling from Human Preference Feedback for Joint Video-Audio Generation [79.34043102155964]
共同ビデオオーディオ生成のためのチェーン・オブ・オムニ・リワードモデルであるVA-Judgerを提案する。 VA-Judgerは,ドメイン内評価とドメイン外評価の両方において,ヒトの嗜好を予測する上で,指標ベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2026-08-19T06:53:14Z)
Gryphon-v2: One Model in Place of a Cascade - Generate-and-Rank Recommender with Rollout Distillation [0.1354380310318161]
エンド・ツー・エンド・エンド・レコメンデーションのための統合されたジェネレーション・アンド・ランクアーキテクチャを提案する。 1つのGryphon-v2モデルは、15以上の候補ジェネレータ、プレランク、最終ランキングで構成される生産カスケードを置き換える。デプロイメントによって、プロダクションのカスケードに匹敵するレイテンシを提供すると、アクティブユーザ数が1.41%増加する。
論文参考訳（メタデータ） (2026-08-06T16:04:21Z)
UniPinRec: Unifying Generative Retrieval and Ranking at Pinterest Scale [13.323495829411577]
Pinterestにおける検索とランキングのフルスタック統合を実現するUniPinRecを提案する。 UniPinRecは、約1%のオンラインエンゲージメントリフトを提供し、エンドツーエンドのサービスレイテンシを11.1%削減し、QPSを63.6%引き上げている。
論文参考訳（メタデータ） (2026-05-29T23:17:34Z)
Action-Aware Generative Sequence Modeling for Short Video Recommendation [50.74467504063892]
ショートビデオには様々な部分が含まれており、ユーザーはそれらすべてに対して同じ態度を取ることはできない。従来のバイナリ分類レコメンデーションモデルは、ビデオを単一の全体的エンティティとして扱うが、そのような微妙な好みを正確に捉えるには限界に直面している。本稿では,時間的次元に沿ってユーザアクションを洗練させる行動認識生成系列ネットワーク(A2Gen)を提案する。
論文参考訳（メタデータ） (2026-04-28T16:41:04Z)
Moirai 2.0: When Less Is More for Time Series Forecasting [91.36760228926214]
Moirai 2.0は、36Mシリーズの新しいコーパスで訓練されたデコーダのみの基礎モデルである。これは、精度、速度、モデルサイズの間の強いトレードオフを達成しつつ、事前訓練された上位モデルの1つにランク付けします。効率性とモデルサイズに関しては、Moirai 2.0は前バージョンであるMoirai 1.0-Largeの2倍の速度と30倍の小型である。
論文参考訳（メタデータ） (2025-11-12T12:15:35Z)
RewardRank: Optimizing True Learning-to-Rank Utility [28.662272762911325]
本稿では,RewardRankを紹介した。この結果から, 対実的ユーティリティの直接最適化として, 学習からランクへの変換が可能であることが示唆された。
論文参考訳（メタデータ） (2025-08-19T18:08:35Z)
POET: Prompt Offset Tuning for Continual Human Action Adaptation [61.63831623094721]
ユーザと開発者に対して,デバイスモデルに新たなアクションクラスを継続的に追加することで,エクスペリエンスをパーソナライズする機能の提供を目標としています。我々はこれをプライバシーに配慮した数発の連続的な行動認識として定式化する。本稿では,新しい時間的学習可能なプロンプトチューニング手法を提案し,グラフニューラルネットワークにこのようなプロンプトチューニングを適用した。
論文参考訳（メタデータ） (2025-04-25T04:11:24Z)
Mind the Gap! Static and Interactive Evaluations of Large Audio Models [55.87220295533817]
大型オーディオモデル(LAM)は、音声ネイティブな体験をパワーアップするために設計されている。本研究は,484名の参加者から,LAMを評価し,7,500名のLAMインタラクションを収集する対話的アプローチを提案する。
論文参考訳（メタデータ） (2025-02-21T20:29:02Z)
Early Action Recognition with Action Prototypes [62.826125870298306]
本稿では,各クラスに対するフルアクションのプロトタイプ表現を学習する新しいモデルを提案する。映像を短いクリップに分解し、視覚エンコーダがそれぞれのクリップから特徴を独立して抽出する。その後、デコーダは、最終クラスの予測のために、すべてのクリップからオンラインのファッション機能として集約される。
論文参考訳（メタデータ） (2023-12-11T18:31:13Z)
Attention Weighted Mixture of Experts with Contrastive Learning for Personalized Ranking in E-commerce [21.7796124109]
本稿では,個人格付けのためのコントラスト学習を伴うAW-MoE(Attention Weighted Mixture of Experts)を提案する。 AW-MoEはJDのeコマース検索エンジンでうまく展開されている。
論文参考訳（メタデータ） (2023-06-08T07:59:08Z)
Neighbor Based Enhancement for the Long-Tail Ranking Problem in Video Rank Models [0.0]
本稿では,対象ユーザや項目の表現のトレーニングを支援する新しい隣人拡張構造を提案する。有名な公開データセットMovieLens 1Mの実験は、この手法の効率を実証している。
論文参考訳（メタデータ） (2023-02-16T07:38:51Z)
PinnerFormer: Sequence Modeling for User Representation at Pinterest [60.335384724891746]
我々は、ユーザの将来的なエンゲージメントを予測するためにトレーニングされたユーザ表現であるPinnerFormerを紹介する。従来のアプローチとは異なり、新しい密集した全アクション損失を通じて、モデリングをバッチインフラストラクチャに適応させます。その結果,1日に1回発生するバッチユーザ埋め込みと,ユーザがアクションを行うたびに発生するリアルタイムユーザ埋め込みとの間には,大きなギャップがあることが判明した。
論文参考訳（メタデータ） (2022-05-09T18:26:51Z)

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。