Fugu-MT 論文翻訳(概要): Rethinking Semantic Alignment in LLM-Enhanced Collaborative Filtering: A Spectral Decoupling Approach

論文の概要: Rethinking Semantic Alignment in LLM-Enhanced Collaborative Filtering: A Spectral Decoupling Approach

arxiv url: http://arxiv.org/abs/2608.24363v1
Date: Tue, 25 Aug 2026 10:19:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-26 14:09:34.93412
Title: Rethinking Semantic Alignment in LLM-Enhanced Collaborative Filtering: A Spectral Decoupling Approach
Title（参考訳）: LLM強化協調フィルタリングにおけるセマンティックアライメントの再考:スペクトルデカップリングアプローチ
Abstract要約: 協調的および意味的な信号は、異なるスペクトル部分から恩恵を受けることを示す。協調表現と意味表現を保存しながら、信号固有のスペクトルフィルタリングを適用するUniSpecRecを提案する。
参考スコア（独自算出の注目度）: 8.302987069140963
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent advances in LLM-enhanced recommendation commonly align semantic representations with collaborative embeddings in a shared space, yet how alignment affects LLM-encoded information remains unclear. In this work, we revisit LLM-enhanced recommendation from a spectral perspective and show that collaborative and semantic signals benefit from different spectral parts. While collaborative representations are dominated by smooth low-frequency components due to user-item homophily, semantic embeddings contain useful non-principal singular components. Through component-wise evaluation and training-dynamics analysis, we find that alignment increasingly concentrates learned representations in dominant collaborative and principal semantic subspaces, reducing overlap with non-principal semantic components. Controlled comparisons show that non-principal components provide inconsistent gains under alignment but consistently improve performance through component-level decoupling, while full prediction-level decoupling achieves the best overall performance. These results indicate that alignment fails to effectively exploit complementary non-principal semantic information. Motivated by these findings, we propose UniSpecRec (Unifying Spectral Signals for Recommendation), which applies signal-specific spectral filtering while preserving collaborative and semantic representations in their respective spaces. UniSpecRec combines their predictions without cross-space alignment or additional trainable parameters. Extensive experiments demonstrate its effectiveness, efficiency, and generalizability.
Abstract（参考訳）: 近年のLLM強調推奨の進歩は、共通空間における協調的な埋め込みとセマンティック表現の整合性に共通しているが、そのアライメントがLLM符号化情報にどのように影響するかは、まだ不明である。本研究では、スペクトルの観点からLLMの推奨を再検討し、協調的および意味的な信号が異なるスペクトル部分から恩恵を受けることを示す。協調表現は、ユーザ・イテムのホモフィリーによるスムーズな低周波成分によって支配されるが、セマンティック埋め込みは有用な非基本特異成分を含む。コンポーネント・ワイド・評価とトレーニング・ダイナミックス分析により、アライメントは主流の協調的および主意味的部分空間における学習表現に集中し、非主観的意味的要素との重なりを減らすことが判明した。制御された比較では、非主成分は整合性のある利得を提供するが、コンポーネントレベルの疎結合により一貫して性能を向上させる一方、完全な予測レベルの疎結合は全体的なパフォーマンスを最高のものにする。これらの結果は、アライメントが相補的な非主観的意味情報を効果的に活用できないことを示している。これらの結果から,各空間における協調的・意味的表現を保ちつつ,信号特異的なスペクトルフィルタリングを適用するUniSpecRec (UniSpecRec for Recommendation)を提案する。 UniSpecRecは、クロススペースアライメントや追加のトレーニング可能なパラメータなしで、予測を組み合わせる。大規模な実験は、その有効性、効率、および一般化可能性を示す。

関連論文リスト

SAILRec: Steering LLM Attention to Dual-Side Semantically Aligned Collaborative Embeddings for Recommendation [36.867366609555]
LLMベースのレコメンデータは、ユーザとイテムのインタラクションからの協調的な埋め込みによって言語モデルを強化する。協調的な埋め込みの利用は深さ依存的でアライメントに敏感であることがわかった。両面のセマンティックアライメントと階層的アテンションステアリングにより,このバランスを改善するLLMベースのレコメンデータSAILRecを提案する。
論文参考訳（メタデータ） (2026-06-03T06:46:32Z)
Dynamic Spectral Denoising with Global-Context Attention for Multi-Behavior Recommendation [58.33732779555114]
重要なボトルネックは、2つの結合した不均一性によって引き起こされる表現レベルの失敗である、と我々は主張する。マルチビヘイビアレコメンデーション(SpectraMB)のためのグローバルコンテキストを考慮した動的スペクトルデノベーションを提案する。 SpectraMBは、ほとんどの評価設定で最高の結果を達成し、ノイズのある相互作用下での堅牢性の向上を示す。
論文参考訳（メタデータ） (2026-06-01T15:58:13Z)
Rethinking Semantic Collaborative Integration: Why Alignment Is Not Enough [23.86079699614653]
大規模言語モデル(LLM)はレコメンデーションシステムにとって重要な意味的基盤となっている。我々は、グローバルな低複雑さアライメント仮説を定式化し、それは必要以上に強く、しばしば現実世界のレコメンデーション設定と構造的にミスマッチしていると主張する。本稿では,意味的・協調的な表現を部分的に共有されるが,基本的には異質な視点として扱う相補的視点を提案する。
論文参考訳（メタデータ） (2026-04-24T03:47:12Z)
PCA-Seg: Revisiting Cost Aggregation for Open-Vocabulary Semantic and Part Segmentation [58.1914505657064]
本稿では,クラスレベルのセマンティクスと空間コンテキスト間の知識干渉の課題を軽減するために,単純な並列コストアグリゲーション(PCA-Seg)パラダイムを提案する。 8つのベンチマークの実験では、PCA-Segの各並列ブロックは0.35万のパラメータしか追加せず、最先端のOSPS性能を実現している。
論文参考訳（メタデータ） (2026-03-18T09:26:43Z)
Spectral Disentanglement and Enhancement: A Dual-domain Contrastive Framework for Representation Learning [28.392130815615545]
SDE(Spectral Disentanglement and Enhancement)は、埋め込み空間の幾何学とスペクトル特性の間のギャップを埋める新しいフレームワークである。 SDEは一貫して表現と堅牢性を改善し、最先端の手法より優れている。
論文参考訳（メタデータ） (2026-02-09T07:29:43Z)
Beyond Semantic Understanding: Preserving Collaborative Frequency Components in LLM-based Recommendation [7.014265360936046]
FreLLM4Recは、スペクトルの観点からの意味的および協調的な情報のバランスをとるために設計されたアプローチである。 4つのベンチマークデータセットの実験により、FreLLM4Recは協調的な信号減衰を軽減した。
論文参考訳（メタデータ） (2025-08-14T03:33:02Z)
AIR: A Systematic Analysis of Annotations, Instructions, and Response Pairs in Preference Dataset [89.37514696019484]
嗜好学習は、大きな言語モデルと人間の価値の整合に不可欠である。私たちの作業は、好みのデータセット設計をアドホックなスケーリングからコンポーネント対応の最適化にシフトします。
論文参考訳（メタデータ） (2025-04-04T17:33:07Z)
DaRec: A Disentangled Alignment Framework for Large Language Model and Recommender System [83.34921966305804]
大規模言語モデル (LLM) はレコメンデーションシステムにおいて顕著な性能を示した。 LLMと協調モデルのための新しいプラグ・アンド・プレイアライメントフレームワークを提案する。我々の手法は既存の最先端アルゴリズムよりも優れている。
論文参考訳（メタデータ） (2024-08-15T15:56:23Z)
The Unlocking Spell on Base LLMs: Rethinking Alignment via In-Context Learning [61.68787689234622]
最近の研究であるLIMAは、アライメントチューニングに1Kの例のみを用いることで、アライメント性能も著しく向上することを示した。これにより、アライメントチューニングがベースLLMをどのように変換するかという疑問が提起される。本研究では,チューニングフリーとチューニングベースアライメントのギャップを戦略的プロンプトによって著しく低減できることを示す。
論文参考訳（メタデータ） (2023-12-04T00:46:11Z)
Hodge-Aware Contrastive Learning [101.56637264703058]
単純コンプレックスは、マルチウェイ依存によるデータのモデリングに有効である。我々は、単純なデータを処理するための対照的な自己教師付き学習手法を開発した。
論文参考訳（メタデータ） (2023-09-14T00:40:07Z)

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。