論文の概要: DTAMLP: Denoise Time-aware MLP for Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2608.12975v1
• Date: Thu, 13 Aug 2026 08:55:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.456444
• Title: DTAMLP: Denoise Time-aware MLP for Session-based Recommendation
• Title（参考訳）: DTAMLP:セッションベースのレコメンデーションのための時間認識型MLP
• Authors: Jiamu Zheng, Xiaojun Shan,
• Abstract要約: 軽量なプラグ・アンド・プレイ・ウェイト・フュージョン・モジュールを,ほとんどアーキテクチャ的変化のない時間間隔モデルに挿入可能であることを示す。 FMLP-Recでは,アイテム埋め込みにおける学習可能な周波数領域フィルタにより精度が向上する。 両方の洞察に基づいて、ウェイトフュージョンとFFTベースのフィルタリングを組み合わせたオールMLPフレームワークであるDTAMLPが、DigineticaとRetailRocketで検証されている。
• 参考スコア（独自算出の注目度）: 3.995624106565101
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper reports two empirical findings on session-based recommendation (SBR), unified in a single model, DTAMLP. First, existing time-aware and GNN-based models (e.g., TiSASRec, SR-GNN) treat every click-time interval as equally informative, even though very short dwell times often reflect accidental clicks carrying little preference signal -- a phenomenon we call sporadic noise. We show that a lightweight, plug-and-play weight fusion module, blending a model's attention weight with a threshold-capped time-interval weight, can be inserted into such models with almost no architectural change and yields a consistent accuracy gain; we view this as the most directly verifiable contribution of this work. Second, we revisit an under-explained observation from FMLP-Rec, where a learnable frequency-domain filter on item embeddings improves accuracy, and offer a possible explanation: time-domain behavior mixes several entangled psychological preferences, and a frequency-domain view may let a model separate and down-weight such preference noise more naturally -- an interpretive conjecture rather than a proven mechanism. Building on both insights, DTAMLP, an all-MLP framework combining weight fusion and FFT-based filtering, is validated on Diginetica and RetailRocket. While this system-level design reflects the state of the field circa 2023 rather than a state-of-the-art claim, ablations confirm the two mechanisms contribute complementary, non-redundant improvements.
• Abstract（参考訳）: 本稿では,セッションベースレコメンデーション(SBR)の2つの実験結果について報告する。 まず、既存の時間認識モデルとGNNベースのモデル(例えば、TiSASRec、SR-GNN)は、すべてのクリック時間間隔を等しく情報的扱いします。 軽量なプラグ・アンド・プレイ・ウェイト・フュージョン・モジュールは,モデルの注意重みとしきい値がカプセル化された時間間隔重みを混合し,そのようなモデルにほとんどアーキテクチャ的変化を伴わずに挿入でき,一貫した精度向上が得られることを示す。 第2に、FMLP-Rec による未説明の観察を再考し、アイテム埋め込み上の学習可能な周波数領域フィルタが精度を向上し、可能な説明を与える: 時間領域の振る舞いは、いくつかの絡み合った心理的嗜好を混合し、周波数領域のビューは、モデルがそのような嗜好ノイズをより自然に分離し、減重させる。 両方の洞察に基づいて、ウェイトフュージョンとFFTベースのフィルタリングを組み合わせたオールMLPフレームワークであるDTAMLPが、DigineticaとRetailRocketで検証されている。 このシステムレベルの設計は、最先端のクレームではなく、2023年頃のフィールドの状態を反映しているが、この2つのメカニズムが相補的で非冗長な改善に寄与していることを確認する。

関連論文リスト

• CARE: A Cascaded Framework for Efficient and Reliable Time Series Anomaly Detection [3.3321892750881545]
  本稿では、軽量プリフィルタモデル(LPM)と既存の高容量複合検出モデル(CDM)を統合するモデル非依存推論フレームワークを提案する。 LPMは、Residual AutoEncoderとNormality-Conditioned Gatingメカニズムを用いて、高信頼の正規サンプルを迅速にフィルタリングする。 我々のフレームワークは、最も正確なSOTAアプローチと比較して、$2.7times$から$4.8times$推論スピードアップを達成する。
  論文  参考訳（メタデータ） (2026-08-03T08:26:40Z)
• Leveraging Multimodality for Real-Time Classification of Transients and Variables found by the Zwicky Transient Facility [0.0]
  リアルタイム階層分類のための光曲線,メタデータ,画像を組み合わせたORACLE-2モデルを提案する。 追加のモダリティを組み込むことで、常に分類性能が向上することを示す。 これらの結果から,複数モードの組み合わせにより早期分類が向上し,高ボリュームな警告ストリームのより効果的なトリアージが可能となった。
  論文  参考訳（メタデータ） (2026-06-30T22:15:54Z)
• Olivia: Harmonizing Time Series Foundation Models with Power Spectral Density [38.095057921805704]
  時系列基礎モデルは、ドメイン間の多様なデータセットに対する大規模な事前トレーニングに依存している。 Harmonizerは、スペクトル構造を再利用し、データセット間で暗黙的にPSDを調和させるモジュールである。 オリヴィア(Olivia)は、これらの調和機構に基づいて構築された新しい時系列基礎モデルである。
  論文  参考訳（メタデータ） (2026-05-17T09:19:22Z)
• Perceive, Route and Modulate: Dynamic Pattern Recalibration for Time Series Forecasting [68.53528085362642]
  現在の深い予測モデルは、すべての時間トークンに一様に適用される固定重み行列に依存している。 トークンレベルの再校正によってこれを解決するバックボーンに依存しないメカニズムであるDynamic Pattern Recalibrationを導入する。 DPRNetは12ベンチマークで競合性能を達成し、マクロパラメータスケーリングに対する動的リカバリを検証する。
  論文  参考訳（メタデータ） (2026-05-07T14:12:47Z)
• Moving Beyond Functional Connectivity: Time-Series Modeling for fMRI-Based Brain Disorder Classification [8.837732238971187]
  機能的磁気共鳴イメージング(fMRI)は、血液酸素レベル依存(BOLD)シグナルをキャプチャすることで、非侵襲的な脳障害の分類を可能にする。 既存のほとんどの手法はピアソン相関による機能接続(FC)に依存している。 5つの公開データセットにまたがる生のBOLD信号に関する最先端の時間モデルをベンチマークする。
  論文  参考訳（メタデータ） (2026-02-09T04:42:42Z)
• ESTM: An Enhanced Dual-Branch Spectral-Temporal Mamba for Anomalous Sound Detection [39.234515088121086]
  本稿では、時間周波数デカップリングモデルを用いたデュアルパス・マンバアーキテクチャに基づく新しいフレームワークESTMを提案する。 ESTMは、Melスペクトルと生音声特徴を融合させることにより、異なる時間セグメントと周波数帯域からリッチな特徴表現を抽出する。 本実験は, ESTMがDCASE 2020 Task 2データセットの異常検出性能を向上させることを示す。
  論文  参考訳（メタデータ） (2025-09-02T16:23:49Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• TFMQ-DM: Temporal Feature Maintenance Quantization for Diffusion Models [52.454274602380124]
  拡散モデルは非常に時間ステップ$t$に大きく依存し、良好なマルチラウンドデノジングを実現している。 本稿では,時間情報ブロック上に構築した時間的特徴保守量子化(TFMQ)フレームワークを提案する。 先駆的なブロック設計により、時間情報認識再構成(TIAR)と有限集合キャリブレーション(FSC)を考案し、完全な時間的特徴を整列させる。
  論文  参考訳（メタデータ） (2023-11-27T12:59:52Z)
• Frequency-domain MLPs are More Effective Learners in Time Series Forecasting [67.60443290781988]
  時系列予測は、金融、交通、エネルギー、医療など、さまざまな産業領域において重要な役割を果たしてきた。 最多ベースの予測手法は、ポイントワイドマッピングと情報のボトルネックに悩まされる。 本稿では、時系列予測のための周波数領域上に構築された、シンプルで効果的なアーキテクチャであるFreTSを提案する。
  論文  参考訳（メタデータ） (2023-11-10T17:05:13Z)

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。