論文の概要: Adaptive Item-based Collaborative Structures via Noise Rescheduling in Diffusion for Generative Recommendation

• arxiv url: http://arxiv.org/abs/2608.23400v1
• Date: Mon, 24 Aug 2026 15:47:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.184007
• Title: Adaptive Item-based Collaborative Structures via Noise Rescheduling in Diffusion for Generative Recommendation
• Title（参考訳）: 生成レコメンデーションのための拡散におけるノイズスケジューリングによる適応的項目ベース協調構造
• Abstract要約: ANR-DiffRecは、アイテムベースの協調構造を離散拡散に符号化して生成推奨する統合フレームワークである。 本稿では,局所的な状況の回復可能性と行動に配慮したアイテム依存度に応じて,動的に重み付けを調整可能なアイテムベース適応型ノイズリスケジュール機構を提案する。
• 参考スコア（独自算出の注目度）: 40.50371591149811
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Discrete Diffusion Models (DDMs) have recently been introduced to recommendation systems, modeling user history as a token generation process via iterative denoising. However, while effective at capturing user-level sequential patterns, these methods often fail to explicitly integrate item-based collaborative filtering information, a critical component for accurate recommendation. This deficiency manifests in two key aspects: (1) the item representation is often semantic-focused, lacking collaborative priors for diffusion training; and (2) the denoising process employs a uniform noise schedule, treating all tokens indiscriminately and ignoring item-level adaptive structural dependencies. To bridge this gap, we propose ANR-DiffRec, a unified framework designed to encode item-based collaborative structures into discrete diffusion for generative recommendation. First, we explicitly incorporate an item co-occurrence matrix to guide semantic ID generation, providing a structured collaborative prior for discrete diffusion training. Second, we introduce an item-based adaptive noise rescheduling mechanism that dynamically adjusts denoising weights according to both local contextual recoverability and behavior-aware item dependencies. Specifically, the proposed strategy jointly models intra-item structural context and inter-item collaborative signals, enabling structure-aware denoising during diffusion training. Extensive experiments on multiple benchmarks demonstrate that our method consistently outperforms state-of-the-art generative recommendation models. Code: https://github.com/CalmaQi/ANR-DiffRec.
• Abstract（参考訳）: 離散拡散モデル(DDM)は、最近、リコメンデーションシステムに導入され、反復的デノベーションによるトークン生成プロセスとしてユーザ履歴をモデル化している。 しかし、ユーザレベルのシーケンシャルなパターンを捉えるのに効果的であるが、これらの手法はアイテムベースの協調フィルタリング情報を明示的に統合することができず、正確なレコメンデーションのための重要な要素である。 この欠陥は,(1) アイテム表現が意味に焦点をあてることが多く,拡散訓練における協調的事前の欠如,(2) 認知過程が一様ノイズスケジュールを採用し,全てのトークンを無差別に扱い,項目レベルの適応的構造的依存関係を無視している,という2つの重要な側面に現れている。 このギャップを埋めるために、アイテムベースの協調構造を離散拡散に符号化し、生成的推薦を行う統一フレームワークであるANR-DiffRecを提案する。 まず、各項目の共起行列を明示的に組み込んで意味的ID生成を誘導し、離散拡散学習のための構造化された協調学習を提供する。 第2に、局所的な状況回復性と行動認識アイテム依存の両方に応じて、重み付けを動的に調整するアイテムベース適応型ノイズリスケジュール機構を導入する。 具体的には、提案手法は、拡散訓練中に構造認識の認知を可能にするため、内部構造コンテキストと内部協調信号を共同でモデル化する。 複数のベンチマークでの大規模な実験により、我々の手法は最先端のジェネレーティブ・レコメンデーション・モデルより一貫して優れていることが示された。 コード:https://github.com/CalmaQi/ANR-DiffRec.com

関連論文リスト

• V-Co: A Closer Look at Visual Representation Alignment via Co-Denoising [65.5867130156805]
  統合JTフレームワークにおける視覚的コデノゲーションの体系的研究であるV-Coについて述べる。 本研究は,視覚的コデノジングを効果的に行うための4つの重要な要素を明らかにする。 V-Coは、基礎となる画素空間拡散ベースラインと強い前の画素拡散法より優れている。
  論文  参考訳（メタデータ） (2026-03-17T17:01:54Z)
• IGDMRec: Behavior Conditioned Item Graph Diffusion for Multimodal Recommendation [21.87097387902408]
  マルチモーダルレコメンデーションシステム(MRS)は、様々なオンラインプラットフォームにおいて重要であり、マルチモーダル情報を取り入れたより正確なパーソナライズレコメンデーションを提供する。 本稿では, セマンティックな項目グラフを識別するために, 分類不要なガイダンス付き拡散モデルを利用する新しい手法IGDMRecを提案する。 4つの実世界のデータセットに対する大規模な実験は、IGDMRecが競合ベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2025-12-23T02:13:01Z)
• Empowering Denoising Sequential Recommendation with Large Language Model Embeddings [18.84444501128626]
  シーケンシャルレコメンデーションは、ユーザとイテムのインタラクションにおけるシーケンシャルパターンをモデル化することで、ユーザの好みを捉えることを目的としている。 ノイズの影響を低減するために,ノイズのある項目を明示的に識別・除去することを提案する研究もある。 協調情報と意味情報を統合したIADSR(Interest Alignment for Denoising Sequential Recommendation)を提案する。
  論文  参考訳（メタデータ） (2025-10-05T15:10:51Z)
• Closing the Performance Gap in Generative Recommenders with Collaborative Tokenization and Efficient Modeling [10.757287948514604]
  本稿では,協調情報を学習項目表現に直接統合するコントラストトークン化手法を提案する。 また、アイテムデコーディングからタイムラインモデリングを分離する軽量な音声インスパイアされた生成モデルであるMARIUSを提案する。
  論文  参考訳（メタデータ） (2025-08-12T17:06:55Z)
• Semantic Item Graph Enhancement for Multimodal Recommendation [49.66272783945571]
  マルチモーダルレコメンデーションシステムは、商品のマルチモーダル情報を活用することで、パフォーマンスの向上に注目が集まっている。 先行する手法は、しばしばモダリティ固有のアイテム・イテム意味グラフを生のモダリティの特徴から構築する。 これらのセマンティックグラフは、アイテム間の協調信号のモデリングが不十分ななど、セマンティックな欠陥に悩まされている。
  論文  参考訳（メタデータ） (2025-08-08T09:20:50Z)
• DiscRec: Disentangled Semantic-Collaborative Modeling for Generative Recommendation [33.152693125551785]
  生成的レコメンデーションは、アイテム予測を直接生成する強力なパラダイムとして現れています。 現在の手法ではトークン・イテムのミスアライメントとセマンティック・コラボレーティブな信号の絡み合いという2つの重要な課題に直面している。 Disentangled Semantic-Collaborative Signal Modelingを可能にする新しいフレームワークであるDisdisRecを提案する。
  論文  参考訳（メタデータ） (2025-06-18T15:53:47Z)
• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
  生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。 意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。 提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• Bridging Weakly-Supervised Learning and VLM Distillation: Noisy Partial Label Learning for Efficient Downstream Adaptation [51.67328507400985]
  ノイズ部分ラベル学習(NPLL)では、各トレーニングサンプルは、複数のノイズアノテータによって注釈付けされた候補ラベルのセットに関連付けられている。 本稿では、事前学習された視覚言語モデルによって注釈付けされた部分ラベルからの学習に焦点を当てる。 革新的な協調整合正則化(Co-Reg)法を提案する。
  論文  参考訳（メタデータ） (2025-06-03T12:48:54Z)
• DiffATR: Diffusion-based Generative Modeling for Audio-Text Retrieval [49.076590578101985]
  ノイズから関節分布を生成する拡散型ATRフレームワーク(DiffATR)を提案する。 優れたパフォーマンスを持つAudioCapsとClothoデータセットの実験は、我々のアプローチの有効性を検証する。
  論文  参考訳（メタデータ） (2024-09-16T06:33:26Z)
• Diffusion Recommender Model [85.9640416600725]
  そこで我々は,DiffRecと呼ばれる新しい拡散レコメンダモデルを提案し,その生成過程を認知的に学習する。 ユーザインタラクションにおけるパーソナライズされた情報を維持するため、DiffRecは追加のノイズを低減し、画像合成のような純粋なノイズに対するユーザのインタラクションを損なうことを避ける。
  論文  参考訳（メタデータ） (2023-04-11T04:31:00Z)

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。