論文の概要: TRACER: Balancing Stability-Plasticity-Cognitivity Trilemma for LLM Enhanced Continual Recommendation

• arxiv url: http://arxiv.org/abs/2608.16075v2
• Date: Tue, 25 Aug 2026 02:33:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:33.579515
• Title: TRACER: Balancing Stability-Plasticity-Cognitivity Trilemma for LLM Enhanced Continual Recommendation
• Title（参考訳）: TRACER:LLM強化のための安定性-塑性-認知トリレンマ
• Abstract要約: 継続的なレコメンデーションは、ストリーミングデータから進化するユーザの関心を捉えることを目的としている。 提案するTrilemma-Responsive Adaptive Continual Enhancement for Recommendation (TRACER)について述べる。 TRACERは3つの特殊なモジュールを組み合わせており、それぞれが安定性、可塑性、認知性を目標としている。
• 参考スコア（独自算出の注目度）: 19.15368544276865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continual recommendation aims to capture evolving user interests from streaming data but struggles with sparsity. LLM enhancers mitigate this with semantic knowledge, but naive integration creates a new conflict. We identify this as the Stability-Plasticity-Cognitivity (SPC) Trilemma, where generalized LLM semantic priors (Cognitivity) conflict with retaining personalized historical preferences (Stability) and adapting to individual interest shifts (Plasticity). To address this, we propose Trilemma-Responsive Adaptive Continual Enhancement for Recommendation (TRACER). TRACER synergistically combines three specialized modules, each targeting stability, plasticity, or cognitivity, while preventing any single lemma from dominating. This holistic design enables semantic knowledge to support history retention and adaptation to evolving interests without disrupting continual learning. Across five real-world datasets, TRACER effectively harmonizes the SPC trilemma and outperforms state-of-the-art baselines by up to 14.38%. Our code is available at https://github.com/woo-joo/TRACER_CIKM26.
• Abstract（参考訳）: 継続的なレコメンデーションは、ストリーミングデータから進化するユーザの関心を捉えることを目的としている。 LLMエンハンサーは、セマンティックな知識でこれを緩和するが、ナイーブな統合は新たな対立を生み出す。 我々は、これを、個人化された歴史的嗜好(安定性)を維持し、個人の関心の変化(塑性)に適応させることと、LLMセマンティック先行(認知)が相反する、安定性-塑性-認知(SPC)トリレンマとみなす。 そこで我々は,Trilemma-Responsive Adaptive Continual Enhancement for Recommendation (TRACER)を提案する。 TRACERは3つの特別なモジュールを相乗的に結合し、それぞれが安定性、可塑性、認知性を目標としつつ、単一の補題が支配するのを防ぐ。 この包括的設計により、意味的知識は、継続的な学習を妨害することなく、歴史の保持と進化する関心への適応を支援することができる。 5つの実世界のデータセットの中で、TRACERはSPCトリレンマを効果的に調和させ、最先端のベースラインを最大14.38%上回る。 私たちのコードはhttps://github.com/woo-joo/TRACER_CIKM26.comで利用可能です。

関連論文リスト

• Continual Learning with Elastic Regularization and Synthetic Replay for Federated MLLM Fine-Tuning [15.445619998280243]
  Federated Continual Multimodal Learning (FedCMM)は、フェデレート最適化ループに継続的学習セーフガードを組み込むフレームワークである。 FedCMMは、精度と後方転送の最近のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-07-13T19:40:30Z)
• To Retain or to Adapt? Generalizing Continual Learning [39.95178050304739]
  我々は、静止しない環境において、保持の優先順位付けはリアルタイム適応を妨げると論じている。 環境学と学習学の相互作用が支配するオンライン最適化問題としてCLを定式化する。 本稿では,予測連続学習と呼ぶ連続学習アルゴリズムの一般クラスを提案する。
  論文  参考訳（メタデータ） (2026-07-06T20:11:53Z)
• Learning What to Remember: Observability-Safe Memory Retention via Constrained Optimization for Long-Horizon Language Agents [16.193335398478386]
  ロングホライゾンの言語エージェントは、観測、トレースの推論、および検索された事実のウィンドウを蓄積する。 既存のシステムは、保持を局所的に扱い、可観測性制約の下での長期的な影響をモデル化しない。 我々は,オンライン・オブザーバブル機能とオフライン・アベイラビリティ・インスペクションの厳格な分離を強制する学習強化フレームワークOSL-MRを提案する。
  論文  参考訳（メタデータ） (2026-06-09T09:15:33Z)
• Revitalizing the Beginning: Avoiding Storage Dependency for Model Merging in Continual Learning [57.10440766103372]
  Trajectory Regularized Merging (TRM) は、拡張されたトラジェクトリ部分空間内の最適化プロセスとしてマージフェーズを再構成するフレームワークである。 本フレームワークは,タスクアライメント,予測整合性,勾配応答性といった3つの相乗的目標を統合し,統合モデルの履歴安定性と再活性化最適化のダイナミクスを同時に保存する。
  論文  参考訳（メタデータ） (2026-05-08T14:07:32Z)
• CiPO: Counterfactual Unlearning for Large Reasoning Models through Iterative Preference Optimization [54.774620283208776]
  大きな推論モデル(LRM)は、複雑な問題に対処するための長いチェーン・オブ・シント(CoT)推論を強調する。 既存の方法は、CoTトレースから望ましくない知識を完全に排除するか、推論プロセスへの干渉によって推論性能を低下させるかのいずれかである。 LRMにおけるCoT推論の目的的介入として、非学習を再定義する新しいフレームワークである反復的選好最適化(CiPO)を通じて、対実的アンラーニングを導入する。
  論文  参考訳（メタデータ） (2026-04-17T08:56:36Z)
• Empowering Contrastive Federated Sequential Recommendation with LLMs [13.016120865205258]
  フェデレートシーケンシャルレコメンデーション(FedSeqRec)は、ユーザのデータを分散化しながら、次のイテム予測を実行することを目的としている。 パラメータ分離型FedSeqRecアーキテクチャである textbfLUMOS を提案する。
  論文  参考訳（メタデータ） (2026-02-10T00:47:43Z)
• Towards Sample-Efficient and Stable Reinforcement Learning for LLM-based Recommendation [56.92367609590823]
  Long Chain-of-Thought (Long CoT)推論は、Large Language Models (LLMs)において有望であることを示している。 我々はLong CoTが本質的にシーケンシャルなレコメンデーションドメインに不適合であると主張している。 提案するRISER(Reinforced Item Space Exploration framework for Recommendation)を提案する。
  論文  参考訳（メタデータ） (2026-01-31T10:02:43Z)
• Constrained Entropic Unlearning: A Primal-Dual Framework for Large Language Models [14.321060805197874]
  大規模言語モデル(LLM)が現実の環境でデプロイされるようになると、機密性、時代遅れ、あるいはプロプライエタリな情報を漏らさなくてはならなくなる。 既存の未学習の手法は、忘れと保持を規則化されたトレードオフとして定式化し、両方の目的を1つのスカラー化された損失に組み合わせる。 制約付き最適化問題として,LLMアンラーニングの新たな定式化を提案する。
  論文  参考訳（メタデータ） (2025-06-05T17:55:23Z)
• Latent Preference Coding: Aligning Large Language Models via Discrete Latent Codes [54.93980123979578]
  我々は、暗黙の要因をモデル化する新しいフレームワークであるLatent Preference Coding (LPC)を紹介する。 LPCは様々なオフラインアライメントアルゴリズムとシームレスに統合し、基礎となる要因とデータからその重要性を自動的に推測する。
  論文  参考訳（メタデータ） (2025-05-08T06:59:06Z)
• The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
  大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。 本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。 我々は,DeepSeek-R1をベンチマークでテストした結果を解析し,この高い評価を得たモデルがもたらす批判的倫理的懸念を明らかにする。
  論文  参考訳（メタデータ） (2025-01-20T06:35:01Z)
• Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
  対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。 我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。 各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-03-01T06:16:15Z)

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。