論文の概要: HubMixer: Progressive Latent Hub Mixing for Parameter-Efficient Feature Interaction in Recommendation

• arxiv url: http://arxiv.org/abs/2608.27991v1
• Date: Fri, 28 Aug 2026 06:59:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.232581
• Title: HubMixer: Progressive Latent Hub Mixing for Parameter-Efficient Feature Interaction in Recommendation
• Title（参考訳）: HubMixer:レコメンデーションにおけるパラメータ効率の良い特徴相互作用のためのプログレッシブ遅延ハブ混合
• Abstract要約: HubMixerはパラメータ効率のよい遅延ハブミキシングアーキテクチャで、機能の相互作用を推奨する。 オフライン実験では、HubMixerはSOTAモデルより優れている。 クアイシュ州のショートビデオ採用事業におけるオンラインA/Bテストは、統計学的に5.48%の改善が認められた。
• 参考スコア（独自算出の注目度）: 28.521810944122638
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning effective feature interactions is central to industrial recommendation and advertising ranking systems. Recent token-mixing architectures simplify self-attention with lightweight mixing operators, improving hardware efficiency and enabling large-scale deployment. However, recommendation tokens are fundamentally heterogeneous: user profiles, item attributes, behavioral sequences, context features, statistical signals, and business-side features live in different semantic spaces and interact in sparse, sample-specific patterns. Directly mixing all tokens in the raw heterogeneous token space may therefore be parameter-inefficient, as the model must implicitly discover which feature groups should interact and how such interactions should be routed. In the paper, we propose HubMixer, a parameter-efficient latent hub mixing architecture for feature interaction in recommendation. Instead of directly mixing raw feature tokens, HubMixer introduces a small set of learnable latent hubs to organize feature interactions through an `induction--interaction--readout` paradigm. First, hub induction summarizes heterogeneous tokens into compact latent hubs, where latent hubs query input tokens through cross-attention. Second, hub interaction performs high-order interaction in the cleaner latent hub space. Third, token-conditioned readout lets each original token selectively read from the interacted hubs, injecting global interaction semantics while preserving token-level field identity. Extensive offline experiments on industrial recommendation tasks show that HubMixer outperforms the SOTA models. Online A/B testing in the Kuaishou short-video recruitment business further shows a statistically significant 5.48% improvement in resume submission conversion rate, and HubMixer has been fully deployed in production.
• Abstract（参考訳）: 効果的な機能相互作用の学習は、産業レコメンデーションと広告ランキングシステムの中心である。 最近のトークンミキシングアーキテクチャは、軽量ミキシング演算子による自己アテンションを単純化し、ハードウェア効率を改善し、大規模デプロイメントを可能にする。 しかし、レコメンデーショントークンは基本的に異種である: ユーザプロファイル、アイテム属性、行動シーケンス、コンテキスト特徴、統計信号、ビジネス側機能は異なる意味空間に存在し、スパースでサンプル固有のパターンで相互作用する。 生の不均一なトークン空間に全てのトークンを直接混合することはパラメータ非効率であり、モデルが暗黙的にどの特徴群が相互作用すべきか、そのような相互作用をどのようにルーティングするかを見極める必要がある。 本稿では,パラメータ効率の高い遅延ハブ混合アーキテクチャであるHubMixerを提案する。 生のフィーチャートークンを直接混ぜる代わりに、HubMixerは‘induction--interaction--readout’パラダイムを通じて機能インタラクションを整理する学習可能な潜在ハブの小さなセットを導入している。 まず、ハブ誘導は異種トークンをコンパクトな潜在ハブに要約し、潜在ハブはクロスアテンションを通じて入力トークンをクエリする。 第二に、よりクリーンな潜在ハブ空間において、ハブ相互作用は高次相互作用を行う。 第三に、トークン条件の読み取りは、対話されたハブから各オリジナルのトークンを選択的に読み出し、トークンレベルのフィールドIDを保持しながら、グローバルなインタラクションセマンティクスを注入する。 産業レコメンデーションタスクに関する大規模なオフライン実験は、HubMixerがSOTAモデルより優れていることを示している。 Kuaishouショートビデオ採用事業におけるオンラインA/Bテストは、さらに統計学的に有意な5.48%の応募率の改善を示しており、HubMixerは本番に完全に配備されている。

関連論文リスト

• Hyperbolic Hierarchical Clustering for Visual Representation Learning [62.38996677789715]
  効果的なトークンミキサーは、Transformerのようなモダンなビジョンバックボーンの基本コンポーネントである。 本稿では,クラスタリングパラダイムに基づいて設計により解釈可能な透明なトークンミキサーであるClusterMixerを紹介する。 本稿では,ClusterMixerと,厳密に設計されたクラスタリング戦略を統合した,新しいバックボーンアーキテクチャであるHCFormerを紹介する。
  論文  参考訳（メタデータ） (2026-08-24T00:01:09Z)
• HOMIE: Human-object Centric Video Personalization via Multimodal Intelligent Enhancement [49.760248537839715]
  人間中心型ビデオパーソナライゼーション(HOCVP)は、主観駆動型ビデオ生成における中核的な課題である。 我々は,オブジェクト間の入力設定とオブジェクト内入力設定の両方を統一的に扱うHOCVPフレームワークHOMIEを提案する。 本稿では,MLLMに基づく意味的特徴とVAEトークンとの整合性を向上するために,自己注意の中でグローバルなマルチモーダルガイダンスを導入する。
  論文  参考訳（メタデータ） (2026-07-20T17:51:35Z)
• RoleMix: Unifying Sequential and Non-Sequential Features via Semantic Tokenization for Post-Click Conversion Rate Prediction [1.6050320174037502]
  RoleMixは、共有されたロール保存トークンインターフェースを通じて、シーケンシャルかつ非シーケンシャルなエビデンスを表す。 大規模なKDDカップ2026 Tencent UniRec Challengeでは、RoleMixは83.648%のオンラインAUCを達成し、公式産業ベースラインを1.953%上回っている。
  論文  参考訳（メタデータ） (2026-07-18T15:44:48Z)
• Query-Mixed Interest Extraction and Heterogeneous Interaction: A Scalable CTR Model for Industrial Recommender Systems [6.312847671238921]
  HeMixは適応シーケンストークン化と異種相互作用構造を統合するスケーラブルなランキングモデルである。 HeMixはAMAPプラットフォームにデプロイされ、DLRMよりも3.61%のGMV、+2.78%のPV_CTR、+2.12%のUV_CVRをオンラインで提供する。
  論文  参考訳（メタデータ） (2026-02-10T03:56:14Z)
• Efficient Explicit Joint-level Interaction Modeling with Mamba for Text-guided HOI Generation [25.770855154106453]
  本稿では,テキスト誘導型人-物体相互作用を生成するための効率的な共同対話モデル(EJIM)を提案する。 EJIMはDual-branch HOI Mambaを特徴としている。 EJIM は推定時間の 5% しか使用せず, 従来の作業よりも大きなマージンで上回っていることを示す。
  論文  参考訳（メタデータ） (2025-03-29T15:23:21Z)
• Token Fusion: Bridging the Gap between Token Pruning and Token Merging [71.84591084401458]
  ビジョントランスフォーマー(ViT)はコンピュータビジョンの強力なバックボーンとして登場し、多くの伝統的なCNNを上回っている。 計算オーバーヘッドは、主に自己アテンション機構によるもので、リソース制約のあるエッジデバイスへのデプロイが困難になる。 トークンプルーニングとトークンマージの両方のメリットを両立させる手法であるToken Fusion(ToFu)を紹介する。
  論文  参考訳（メタデータ） (2023-12-02T04:29:19Z)
• RIFormer: Keep Your Vision Backbone Effective While Removing Token Mixer [95.71132572688143]
  本稿では,基本構造ブロックのトークンミキサーを除去しながら,視覚バックボーンを効果的に維持する方法について検討する。 視覚変換器(ViT)の自己アテンション(自己アテンション)としてのトークンミキサーは、異なる空間トークン間での情報通信を行うが、かなりの計算コストと遅延に悩まされる。
  論文  参考訳（メタデータ） (2023-04-12T07:34:13Z)
• TokenMixup: Efficient Attention-guided Token-level Data Augmentation for Transformers [8.099977107670917]
  TokenMixupは効果的な注意誘導型トークンレベルのデータ拡張手法である。 TokenMixupの亜種はトークンをひとつのインスタンスに混ぜて、マルチスケールの機能拡張を可能にする。 実験の結果,CIFARおよびImageNet-1Kにおけるベースラインモデルの性能は有意に向上した。
  論文  参考訳（メタデータ） (2022-10-14T06:36:31Z)
• Harnessing Hard Mixed Samples with Decoupled Regularizer [69.98746081734441]
  Mixupは、決定境界を混合データで滑らかにすることで、ニューラルネットワークの一般化を改善する効率的なデータ拡張アプローチである。 本稿では,非結合型正規化器(Decoupled Mixup, DM)を用いた効率的な混合目標関数を提案する。 DMは、ミキシングの本来の滑らかさを損なうことなく、硬質混合試料を適応的に利用して識別特性をマイニングすることができる。
  論文  参考訳（メタデータ） (2022-03-21T07:12:18Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。