論文の概要: Drift-Aware Multimodal User Representation Learning via Multi-Scale Temporal Modeling and Sparse Mixture-of-Experts
- arxiv url: http://arxiv.org/abs/2608.25773v1
- Date: Wed, 26 Aug 2026 13:15:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.837695
- Title: Drift-Aware Multimodal User Representation Learning via Multi-Scale Temporal Modeling and Sparse Mixture-of-Experts
- Title（参考訳）: マルチスケールテンポラルモデリングとスパース混合によるドリフト対応マルチモーダルユーザ表現学習
- Abstract要約: ドリフト対応マルチモーダルユーザ表現学習のための統合フレームワークDUMoEを提案する。
本モデルでは, 静的なプロファイル, 短期的行動信号, 長期的依存関係をコヒーレントな表現にキャプチャし, 統合する時間的ダイナミックス対応のバックボーンと, 専門的特殊化と適応的ルーティングによって複数の潜伏的関心を分散するスパース・ミックス・オブ・エキスパート(MoE)インダクタとから構成される。
実世界のソーシャルメディアデータセットの実験は、DUMoEがユーザ関心予測とインタラクション予測の両方において、最先端の手法を一貫して上回っていることを示している。
- 参考スコア（独自算出の注目度）: 8.624467983444255
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding user preferences from noisy and temporally evolving social media behaviors is fundamentally challenging due to interest drift, where user preferences shift across time and exhibit both multi-scale temporal patterns and diverse co-existing interests. To address this, we propose DUMoE, a unified framework for drift-aware multimodal user representation learning. Our model consists of (i) a temporal dynamics-aware backbone that captures and integrates static profiles, short-term behavioral signals, and long-term dependencies into a coherent representation, and (ii) a sparse mixture-of-experts (MoE) interest adapter that disentangles multiple latent interests via expert specialization and adaptive routing. Each expert models a distinct interest subspace, while a gating network dynamically selects and aggregates a sparse subset of relevant experts for each user. To enable stable and effective optimization, we further introduce a three-stage training strategy that decouples backbone learning, expert specialization, and gating optimization. Extensive experiments on real-world social media datasets show that DUMoE consistently outperforms state-of-the-art methods on both user interest prediction and interaction prediction tasks.
- Abstract（参考訳）: ユーザの嗜好をノイズや時間的に変化するソーシャルメディアの行動から理解することは、ユーザの嗜好が時間の経過とともに変化し、マルチスケールの時間的パターンと多様な共存的関心の両方を示すという、基本的に困難である。
そこで本研究では,ドリフト対応マルチモーダルユーザ表現学習のための統合フレームワークDUMoEを提案する。
私たちのモデルは
(i)静的プロファイル、短期的行動信号、長期的依存関係をコヒーレントな表現にキャプチャして統合する時間的ダイナミックス対応バックボーン
(II)専門家の専門化と適応的ルーティングにより複数の潜伏利害関係を解消するスパース・ミックス・オブ・エキスパート(MoE)利子アダプタ。
各専門家は、異なる関心サブスペースをモデル化する一方、ゲーティングネットワークは、各ユーザに対して、関連する専門家のまばらなサブセットを動的に選択し、集約する。
安定的で効果的な最適化を実現するために、バックボーン学習、専門家の専門化、ゲーティング最適化を分離する3段階のトレーニング戦略を導入する。
実世界のソーシャルメディアデータセットに対する大規模な実験は、DUMoEがユーザ関心予測とインタラクション予測の両方において、最先端の手法を一貫して上回っていることを示している。
関連論文リスト
- SLSREC: Self-Supervised Contrastive Learning for Adaptive Fusion of Long- and Short-Term User Interests [22.535188624090353]
SLSRecは、長期と短期の勧告を融合したセッションベースのモデルである。
長期的および短期的な関心表現の正確な校正を保証するために、対照的な学習戦略を導入する。
3つの公開ベンチマークデータセットの実験は、SLSRecが一貫して最先端モデルを上回っていることを示している。
論文 参考訳（メタデータ） (2026-04-06T08:49:46Z) - Modeling Stage-wise Evolution of User Interests for News Recommendation [11.474027863114854]
グローバルとローカルの両方の時間的視点からユーザの好みを学習する統合フレームワークを提案する。
グローバルな嗜好モデリングコンポーネントは、相互作用グラフ全体から長期的な協調的な信号をキャプチャする。
局所的嗜好モデリングコンポーネントは、歴史的相互作用を段階的時間的部分グラフに分割し、短期的ダイナミクスを表現する。
論文 参考訳（メタデータ） (2026-03-11T06:42:52Z) - CAMMSR: Category-Guided Attentive Mixture of Experts for Multimodal Sequential Recommendation [23.478610632707728]
本稿では,マルチモーダルシーケンスレコメンデーションのためのカテゴリー誘導型専門家混合モデルを提案する。
中心となるCAMMSRは、専門的な項目表現を複数の視点から学習する専門家モジュールのカテゴリ誘導注意混合を導入した。
4つの公開データセットの実験は、CAMMSRが一貫して最先端のベースラインを上回っていることを示している。
論文 参考訳（メタデータ） (2026-03-04T17:39:35Z) - Mixture of Sequence: Theme-Aware Mixture-of-Experts for Long-Sequence Recommendation [48.98369214412951]
ノイズの多い生ユーザシーケンスからテーマ特化サブシーケンスとマルチスケールサブシーケンスを抽出し,正確な予測を実現するモデルに依存しないMoE手法を提案する。
実験結果から, FLOPは少ないが, MoS はSOTA の性能を一貫して達成できることがわかった。
論文 参考訳（メタデータ） (2026-03-01T23:20:48Z) - Spatiotemporal-Untrammelled Mixture of Experts for Multi-Person Motion Prediction [53.555201955973104]
人間の動作の複雑な時間的依存関係を包括的に捉えることは、多対人動作にとって重要である。
既存の方法には2つの主要な制限がある。
従来の注意の時間に起因した計算コストが高い。
我々のモデルは4種類の時間的専門家を取り入れており、それぞれ異なる空間的・時間的依存を捉えている。
論文 参考訳（メタデータ） (2025-12-25T15:01:19Z) - FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。
FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
論文 参考訳（メタデータ） (2025-12-16T04:34:27Z) - Hierarchical Time-Aware Mixture of Experts for Multi-Modal Sequential Recommendation [19.47124940518026]
マルチモーダルシーケンスレコメンデーション(HM4SR)の専門家の階層的時間認識混合を提案する。
まず、Interactive MoEと名づけられたMoEは、各項目のマルチモーダルデータから本質的なユーザ関心関連情報を抽出する。
テンポラルモエと呼ばれる第2のMoEは、モダリティ符号化においてタイムスタンプから明示的な時間的埋め込みを導入することで、ユーザの動的関心を捉える。
論文 参考訳（メタデータ） (2025-01-24T06:26:50Z) - LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation [54.396000434574454]
本稿では,暗黙的行動と明示的意味論的視点を組み合わせた新しい多目的SRフレームワークを提案する。
Implicit Behavioral Interest ModuleとExplicit Semantic Interest Moduleの2つのモジュールが含まれている。
4つの実世界のデータセットの実験は、フレームワークの有効性と実用性を検証する。
論文 参考訳（メタデータ） (2024-11-14T13:00:23Z) - DeepInteraction++: Multi-Modality Interaction for Autonomous Driving [80.8837864849534]
我々は,モダリティごとの個別表現を学習し,維持することのできる,新しいモダリティインタラクション戦略を導入する。
DeepInteraction++はマルチモーダルなインタラクション・フレームワークであり、マルチモーダルな表現型インタラクション・エンコーダとマルチモーダルな予測型インタラクション・デコーダを特徴とする。
実験では,3次元物体検出とエンドツーエンドの自律走行の両方において,提案手法の優れた性能を示す。
論文 参考訳（メタデータ） (2024-08-09T14:04:21Z) - Learning Dual Dynamic Representations on Time-Sliced User-Item
Interaction Graphs for Sequential Recommendation [62.30552176649873]
シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。
両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。
モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
論文 参考訳（メタデータ） (2021-09-24T07:44:27Z) - MRIF: Multi-resolution Interest Fusion for Recommendation [0.0]
本稿では,ユーザの利害関係を考慮に入れた多分解能利害融合モデル(MRIF)を提案する。
提案モデルでは,ユーザの興味の動的変化を異なる時間範囲で捉えることができ,マルチ解像度のユーザ関心を組み合わせて予測を行う効果的な方法を提供する。
論文 参考訳（メタデータ） (2020-07-08T02:32:15Z) - Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。
また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。
提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
論文 参考訳（メタデータ） (2020-05-18T11:29:38Z)
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。