論文の概要: SAGA: Structure-Attended Generative Action Embedding Model that encodes Multi-Surface User Action Sequences

• arxiv url: http://arxiv.org/abs/2608.15429v1
• Date: Sat, 15 Aug 2026 22:11:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.297566
• Title: SAGA: Structure-Attended Generative Action Embedding Model that encodes Multi-Surface User Action Sequences
• Title（参考訳）: SAGA:多面的ユーザ行動シーケンスを符号化した構造依存型生成行動埋め込みモデル
• Abstract要約: SAGAは、多面的ユーザインタラクションシーケンスをエンコードする生成アクション埋め込みモデルである。 SAGAの中心はフィールド単位のトークン化スキーマで、各アクションイベントを複数のフィールドレベルのトークンに分解する。
• 参考スコア（独自算出の注目度）: 2.1762024189048224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prior embedding models for sequential recommendation typically operate within a homogeneous action space, limiting their ability to capture cross-surface behavioral signals spanning distinct behavioral domains. We present SAGA, a generative action embedding model that encodes multi-surface user interaction sequences across a Financial Service organization's ecosystems, from checkout, peer-to-peer (P2P) transactions, in-app engagement, email to account actions, into a unified user representation for downstream recommendation tasks. Central to SAGA is a per-field tokenization schema that decomposes each action event into multiple field-level tokens (e.g. product, interaction, surface), enabling field-level attention and per-field training objectives that fused single-token approaches cannot support. Through an offline ablation study on loss formulation, tokenization granularity and training data scope, we isolate the contribution of each design choice. A downstream model integrated with SAGA-generated user embeddings delivers the strongest overall click and conversion lift across diverse downstream touchpoints, compared to all ablated and alternative architectures.
• Abstract（参考訳）: シーケンシャルなレコメンデーションのための先行埋め込みモデルは、通常、均質な行動空間内で動作し、異なる行動領域にまたがる表面的行動信号を捕捉する能力を制限する。 本稿では,ファイナンシャル・サービス・オーガナイゼーションのエコシステムにまたがる多面的ユーザインタラクションシーケンスをエンコードするジェネレーティブ・アクション・埋め込み・モデルであるSAGAについて述べる。 SAGAの中心は、フィールド単位のトークン化スキーマで、各アクションイベントを複数のフィールドレベルトークン(製品、インタラクション、サーフェスなど)に分解する。 損失の定式化、トークン化粒度、トレーニングデータスコープに関するオフラインアブレーション研究を通じて、各設計選択の貢献を分離する。 SAGA生成したユーザ埋め込みと統合されたダウンストリームモデルは、さまざまなダウンストリームのタッチポイントをまたいだ全体的なクリックとコンバージョンリフトを、すべての短縮および代替アーキテクチャと比較して最大に実現します。

関連論文リスト

• Hierarchical Quantization with Domain-Adaptive Sparse Routing for Generative Cross-Domain Recommendation [52.29536950794571]
  HD-Recは、クロスドメインレコメンデーションのための統一された生成フレームワークである。 グローバルに共有される粗いコードブックと適応的にルーティングされた微妙なコードブックを使用して意味的識別子を構築する階層的なドメイン認識量化器を採用している。 実験によると、HD-Recは競合するシーケンシャル、生成、ドメイン横断の推奨ベースラインよりも一貫して改善されている。
  論文  参考訳（メタデータ） (2026-08-07T09:15:19Z)
• Collaborative Memory Augmentation for Generative Recommendation [49.76630658239287]
  我々は、ジェネレーティブ・リコメンデーションのためのcOllaborative MEmory拡張フレームワークであるtextbfOMEGAを提案する。 まず、学習可能なクエリトークンを用いて、逐次的ユーザ動作をコンパクトな表現に変換する潜在コンテキスト圧縮手法を提案する。 これらの圧縮された表現は、協調的なメモリバンクに集約され、グローバルな行動パターンの明示的なリポジトリとして機能する。
  論文  参考訳（メタデータ） (2026-08-02T15:34:43Z)
• Adaptive Multimodal Agents-Based Framework for Automatic Workflow Execution [1.2132786136735432]
  本稿では,異なる2相パイプラインによる自動ワークフロー実行を実現するための,新しいマルチエージェントフレームワークを提案する。 推論の間、エージェントはこの固定された事前確立されたグラフに対して適応検索拡張生成(RAG)を利用する。 実世界の文脈でフレームワークを検証し、限られたトレーニングデータであっても高い信頼性とセマンティックな認識を維持する能力を示す。
  論文  参考訳（メタデータ） (2026-05-27T15:23:22Z)
• TokenFormer: Unify the Multi-Field and Sequential Recommendation Worlds [17.505701673051405]
  TokenFormerは、以下のイノベーションを取り入れた統合されたレコメンデーションアーキテクチャである。 まず,ボトムフルト・トップ・スライディング(BFTS:Bottom-Full-Top-Sliding)アテンションスキームを導入する。 第2に,非線形相互作用表現(NLIR)を導入し,一方の非線形乗算変換を隠れ状態に適用する。
  論文  参考訳（メタデータ） (2026-04-15T11:25:46Z)
• MOSAIC: Multi-Domain Orthogonal Session Adaptive Intent Capture for Prescient Recommendations [0.0]
  セッションベースのレコメンデータシステムでは、不均一な振る舞いドメインをまたいだユーザインテントのキャプチャが難しい。 マルチドメイン直交セッション適応インテントキャプチャフレームワークMOSAICを提案する。 我々は、複数のドメインと相互作用タイプにまたがる2つの大規模な実世界のベンチマーク実験を行う。
  論文  参考訳（メタデータ） (2026-04-11T10:33:12Z)
• Query as Anchor: Scenario-Adaptive User Representation via Large Language Model [28.30329175937291]
  静的エンコーディングから動的クエリ認識合成へユーザモデリングをシフトするフレームワークであるQuery-as-Anchorを提案する。 まず,産業規模の事前学習データセットであるUserUを構築し,行動系列とユーザ理解のセマンティクスを整合させる。 クラスタベースのSoft Prompt Tuningを導入し、識別潜在構造を強制する。 デプロイメントでは、シーケンスターミニでのクエリのアンカーにより、無視可能なインクリメンタルレイテンシでKVキャッシュを加速する推論が可能になる。
  論文  参考訳（メタデータ） (2026-02-16T06:09:31Z)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• Generative Sequential Recommendation via Hierarchical Behavior Modeling [20.156854767000475]
  本稿では,デコーダのみのバックボーン上に構築された新しい生成フレームワークGAMERを提案する。 GAMERは、振る舞い間の階層的な依存関係をキャプチャする、クロスレベルなインタラクション層を導入している。 ShortVideoADは、メインストリームのショートビデオプラットフォームからの大規模マルチビヘイビアデータセットである。
  論文  参考訳（メタデータ） (2025-11-05T03:27:01Z)
• Align-Then-stEer: Adapting the Vision-Language Action Models through Unified Latent Guidance [63.33213516925946]
  textbfAlign-Then-stEer(textttATE)は,新しいデータ効率,プラグアンドプレイ適応フレームワークである。 我々の研究は、新しいロボットプラットフォームやタスクにVLAモデルをデプロイする実用性を大幅に向上させる、汎用的で軽量なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-02T07:51:59Z)
• Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [73.75271615101754]
  本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。 Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。 Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
  論文  参考訳（メタデータ） (2025-03-25T15:19:56Z)
• Diffusion Transformer Policy [48.50988753948537]
  本稿では,拡散変圧器ポリシー(Diffusion Transformer Policy)と呼ばれる多モード拡散変圧器を提案し,連続的なエンドエフェクタ動作をモデル化する。 トランスのスケーリング機能を活用することで、提案手法は、多種多様なロボットデータセットにわたる継続的エンドエフェクタアクションを効果的にモデル化することができる。
  論文  参考訳（メタデータ） (2024-10-21T12:43:54Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)

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。