論文の概要: GateDiffInt: Gate-Mediated Controllable Diffusion and Multi-Intent LLM Distillation for User Behavior Modeling
- arxiv url: http://arxiv.org/abs/2608.18764v2
- Date: Thu, 20 Aug 2026 02:34:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 14:00:35.599031
- Title: GateDiffInt: Gate-Mediated Controllable Diffusion and Multi-Intent LLM Distillation for User Behavior Modeling
- Title（参考訳）: GateDiffInt:ユーザ行動モデリングのためのゲート媒介制御可能拡散と多成分LDM蒸留
- Authors: Jialong Duan, Zichen Zhang, Zirui Tu, Zheng Zhang, Zepeng Li, Qingyao Cui, Qinwen Wang, Yudan Liu, Luo Yang, Yao Hu,
- Abstract要約: 行動系列のノイズと意図は相互に強化されている。
ノイズは真の意図を希釈するが、構造的意図の欠如は明確な目標を示さずにデノイングする。
GateDiffIntは産業ランキングのための意図的な相互作用フレームワークである。
- 参考スコア（独自算出の注目度）: 13.581855767148303
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing ranking models encode intent only implicitly, making it hard to disentangle structured intents of varying strength and temporal scale. Noise and intent in behavior sequences are mutually reinforcing---we call this Noise--Intent Coupling (NIC). Noise dilutes true intents, while the lack of structured intent priors leaves denoising without a clear target. To address NIC, we propose GateDiffInt, an intent interaction framework for industrial ranking. It uses the final conversion signal to jointly align sequence denoising and intent extraction. GateDiffInt applies a controllable forward diffusion process with dual gating to enhance and denoise behavior sequences. A large language model then acts as teacher to distill four structured intents---long-term, short-term, latent, and conversion into a lightweight student model. The enhanced sequence and structured intent representations are deeply fused via attention to produce intent-aware representations for conversion-rate prediction. Extensive experiments on public and large-scale industrial datasets show consistent gains over strong baselines. In online A/B tests serving hundreds of millions of daily active users, GateDiffInt delivers substantial GMV improvements and has been deployed to primary traffic, confirming both effectiveness and production readiness.
- Abstract（参考訳）: 既存のランキングモデルはインテントを暗黙的に符号化するだけであり、異なる強度と時間スケールの構造化インテントをアンタングルすることは困難である。
行動系列におけるノイズと意図は相互に強化され、我々はこれをノイズ・インテント・カップリング(NIC)と呼ぶ。
ノイズは真の意図を希釈するが、構造的意図の欠如は明確な目標を示さずにデノイングする。
NICに対応するために,産業ランキングのための意図的インタラクションフレームワークであるGateDiffIntを提案する。
最終的な変換信号を使用して、シーケンスのデノイングとインテント抽出を協調的に調整する。
GateDiffIntは、2つのゲーティングを持つ制御可能な前方拡散プロセスを適用して、動作シーケンスを拡張および復調する。
そして、大きな言語モデルが教師として働き、4つの構造化された意図(長期的、短期的、潜伏的、軽量な学生モデルへの変換)を蒸留する。
拡張シーケンスと構造化意図表現は注意を通して深く融合し、変換速度予測のための意図認識表現を生成する。
公共および大規模産業データセットに関する大規模な実験は、強いベースラインよりも一貫した利得を示している。
毎日のアクティブユーザ数億のオンラインA/Bテストでは、GateDiffIntは、大幅なGMVの改善を提供し、プライマリトラフィックにデプロイされ、有効性と運用準備の両方を確認している。
関連論文リスト
- SoK: Intent-Oriented Systematization of Multi-Turn LLM Jailbreaks [69.08780911753102]
マルチターンジェイルブレイクはターン間で有害なインテントを前進させることでパターンを利用するため、単一のメッセージが完全な目的を公開することはない。
敵意構造を用いて多ターンジェイルブレイクを組織する4部構成の意図指向分類法を開発した。
論文 参考訳（メタデータ） (2026-08-02T09:24:08Z) - Understanding-Enhanced Model Collaboration for Long-Tailed Egocentric Mistake Detection [85.49213290363834]
理解力向上型モデル協調手法(UE-MCM)を提案する。
より効率的な粗いビデオ理解と正確なきめ細かなアクション推論を組み合わせる。
結果として得られるシステムは速度と精度のバランスを保ち、エゴセントリックな指導ビデオの微妙で稀で曖昧な誤りを検出するのに効果的である。
論文 参考訳（メタデータ） (2026-06-01T11:50:16Z) - Action Emergence from Streaming Intent [32.90086331157582]
我々は、エンド・ツー・エンドの自動運転の目標能力としてアクションの出現を定式化する。
従来のパラダイムでは、アクションの出現はできません。
本稿では,運転意図を意味的にストリーム化するメカニズムとしてStreaming Intentを提案する。
論文 参考訳（メタデータ） (2026-05-12T18:09:04Z) - Learning to Credit the Right Steps: Objective-aware Process Optimization for Visual Generation [57.61006679699323]
強化学習は人間の嗜好信号を用いた視覚生成モデルの訓練後の効果的な枠組みとして登場した。
現代の視覚生成では、視覚的品質、動きの整合性、テキストアライメントなどの不均一な目的を捉えるために、複数の報酬モデルがしばしば使用される。
GRPO の微粒化学習のための構造化フレームワークである Objective-Aware Trajectory Credit Assignment (OTCA) を提案する。
論文 参考訳（メタデータ） (2026-04-21T08:37:13Z) - Mimic Intent, Not Just Trajectories [39.77112205526461]
これは、根底にある意図を理解せずに生の軌道を模倣することに由来すると我々は主張する。
エンド-2-end IL: Mimic Intent, not just Trajectories。
いくつかの操作ベンチマークと実際のロボットの実験では、最先端の成功率、優れた推論効率、障害に対する堅牢な一般化、効果的なワンショット転送が示されている。
論文 参考訳（メタデータ） (2026-02-09T12:44:35Z) - GAP-Net: Calibrating User Intent via Gated Adaptive Progressive Learning for CTR Prediction [0.6372261626436676]
GAP-Netは、マイクロレベルの機能からマクロレベルのビューまで、情報を段階的に洗練する"トリプルゲーティング"アーキテクチャを確立する統一フレームワークである。
最先端のベースラインよりも大幅に改善され、相互作用ノイズや意図の漂流に対して優れた堅牢性を示す。
論文 参考訳（メタデータ） (2026-01-12T15:01:12Z) - $\mathcal{E}_0$: Enhancing Generalization and Fine-Grained Control in VLA Models via Continuized Discrete Diffusion [65.77755100137728]
本稿では、量子化されたアクショントークンを反復的にデノケーションするアクション生成を定式化する、連続的な離散拡散フレームワークであるE0を紹介する。
E0は14の多様な環境において最先端のパフォーマンスを達成し、平均して10.7%強のベースラインを達成している。
論文 参考訳（メタデータ） (2025-11-26T16:14:20Z) - Continuously Augmented Discrete Diffusion model for Categorical Generative Modeling [87.34677262370924]
標準離散拡散モデルは、吸収[MASK]トークンにそれらをマッピングすることで、すべての観測されていない状態を同一に扱う。
これは'インフォメーション・ヴォイド'を生成します。そこでは、偽のトークンから推測できるセマンティック情報は、デノイングステップの間に失われます。
連続的拡張離散拡散(Continuously Augmented Discrete Diffusion)は、連続的な潜在空間における対拡散で離散状態空間を拡大するフレームワークである。
論文 参考訳（メタデータ） (2025-10-01T18:00:56Z) - Intent-aware Diffusion with Contrastive Learning for Sequential Recommendation [0.552480439325792]
逐次レコメンデーション(InDiRec)のためのコントラスト学習を用いたIntent-Aware Diffusionを提案する。
InDiRecはまず、K-meansを使用してシーケンス表現にインテントクラスタリングを行い、インテントガイド付き信号を生成する。
対象の相互作用シーケンスのインテント表現を取得して条件拡散モデルを導出し、同じ基盤となるインテントを共有する肯定的なビューを生成する。
論文 参考訳（メタデータ） (2025-04-22T17:55:56Z) - AGIF: An Adaptive Graph-Interactive Framework for Joint Multiple Intent
Detection and Slot Filling [69.59096090788125]
本稿では,多目的検出とスロットフィリングを併用する適応グラフ対話フレームワーク(AGIF)を提案する。
スロットとインテントの強い相関関係をモデル化するために,インテント-スロットグラフ相互作用層を導入する。
このような相互作用層が各トークンに適応的に適用され、関連する意図情報を自動抽出する利点がある。
論文 参考訳（メタデータ） (2020-04-21T15:07:34Z)
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。