論文の概要: EPIC: Explicit Posterior Item Conditioning for Semantic ID Diffusion Recommendation

• arxiv url: http://arxiv.org/abs/2609.03522v1
• Date: Thu, 03 Sep 2026 08:21:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.981862
• Title: EPIC: Explicit Posterior Item Conditioning for Semantic ID Diffusion Recommendation
• Title（参考訳）: EPIC:Semantic ID Diffusion Recommendationのための明示的な後項目条件
• Abstract要約: Explicit Posterior Item Conditioningは、SID denoisingに明確なアイテムレベルの競合を導入する。 EPICは、現在の生成コンテキストを用いて、パーソナライズされた、実現可能な候補アイテムを構築する。 4つのAmazonベンチマークの実験では、強いベースラインよりも一貫して改善されている。
• 参考スコア（独自算出の注目度）: 18.230837696789226
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic ID (SID) generative recommendation predicts the next item by generating a short tuple of discrete tokens. Recent masked-diffusion methods improve this process through bidirectional context and flexible decoding, yet recommendation ultimately requires selecting among complete catalog items. At each denoising step, a partial SID can correspond to multiple feasible items, while existing methods primarily reason through position-wise token predictions. We propose Explicit Posterior Item Conditioning (EPIC), which introduces explicit item-level competition into SID denoising. EPIC constructs a personalized posterior over feasible candidate items using the current generation context and the user's recent interactions, then projects this distribution back to unresolved SID positions to guide subsequent token decisions. The pretrained backbone remains frozen and requires no additional decoder forward pass. Experiments on four Amazon benchmarks show consistent improvements over strong baselines, while diagnostic analyses indicate that the gains primarily arise from personalized transition evidence that preserves promising item hypotheses during denoising.
• Abstract（参考訳）: セマンティックID(SID)生成レコメンデーションは、離散トークンの短いタプルを生成して次の項目を予測する。 最近のマスク拡散法では、双方向のコンテキストとフレキシブルな復号化によってこのプロセスを改善しているが、最終的には完全なカタログ項目を選択する必要がある。 各段階において、部分的なSIDは複数の実現可能な項目に対応できるが、既存の手法は主に位置対応トークン予測を通じて推論される。 本稿では,明示的なアイテムレベルの競合をSIDに導入するEPIC(Explicit Posterior Item Conditioning)を提案する。 EPICは、現在の生成コンテキストとユーザの最近のインタラクションを使用して、パーソナライズされた、実現可能な候補アイテムを構築し、その後、この分布を未解決のSID位置に投影し、その後のトークン決定をガイドする。 事前訓練されたバックボーンは凍結状態であり、追加のデコーダフォワードパスを必要としない。 4つのAmazonベンチマークの実験では、強いベースラインよりも一貫した改善が見られた。

関連論文リスト

• Rethinking Item Tokenization in Generative Recommenders: From Fixed Atoms to Semantic Subwords [50.621722853036005]
  生成レコメンデーションシステムでは、アイテムは通常、自己回帰的次イテム予測のために固定長のセマンティックIDシーケンスにトークン化される。 ユーザコンテキストのモデリングでは、このきめ細かい表現が注意の過負荷を引き起こす。 本稿では,歴史的項目を可変長のセマンティック・サブワードとして表現するセマンティック・サブワード・トークン化(SST)を提案する。
  論文  参考訳（メタデータ） (2026-08-24T02:42:51Z)
• EchoRec: Multi-Item Prediction-Empowered Generative Recommendation via Cycle-Consistent Preference Alignment [57.08595331216049]
  生成レコメンデーションは、ターゲット項目のセマンティックIDを自己回帰的に生成し、共有トークン空間内の嗜好モデリングとインデックス検索を統合する。 近年の試行ではMTP(Multi-Token Prediction)を導入しているが、その効率性は主に継承され、密集した監視対象としての可能性は未解明のままである。 提案するEchoRecは,マルチホライゾンにまたがるサイクル一貫性の全体的嗜好アライメントをMPPに付与し,生成的レコメンデーションを実現する。
  論文  参考訳（メタデータ） (2026-08-14T06:59:12Z)
• Hierarchical Residual Policy Optimization for Generative Recommendations [46.030303420508254]
  本稿では,アイテムレベルの結果を高密度なトークン整合学習信号に変換するポストトレーニングフレームワークを提案する。 大規模な商用システムにおける公開データセットとオンラインA/Bテストの実験は、セッションレベルのユーティリティと重要なビジネスメトリクスが一貫して向上していることを示している。
  論文  参考訳（メタデータ） (2026-08-01T16:33:15Z)
• Grevo: A Unified Generative Recommendation Framework with Evolutionary Item Indexing [7.05169171974845]
  本稿では,進化的項目の索引付けを併用したジェネレーティブ・レコメンデーション・フレームワークを提案する。 Grevoは、振る舞いSID生成タスクとセマンティックSIDグラウンディングタスクを統一する単一のレコメンデータ上に構築されている。 Grevoは最先端のジェネレーティブレコメンデーション手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-07-28T06:27:33Z)
• Can Generative Recommendation Reach Cold Items? A Temporal Perspective on Semantic-ID Generation [19.158930665677]
  我々は、SIDベースのモデルが、観測されたトークンやプレフィックスによってサポートされた将来のアイテムに時々到達できることを示し、未知のアトミックトークンやサポートされていないSIDパスと競合することを示す。 これらの結果から, SID生成は構成的ではあるが完全に開放的ではないことが示唆され, より独立したSID空間における今後の方向性が示唆された。
  論文  参考訳（メタデータ） (2026-07-23T09:30:49Z)
• DREAM: Dynamic Refinement of Early Assignment Mappings [7.781421530363403]
  現在のメソッドは、ユーザーからの十分なフィードバックが観測される前に、オフライントークン化を通じて各アイテムに1つの静的識別子を割り当てる。 我々は、このワンショットコミットメントを、SIDベースの生成レコメンデーションにおける基本的なコールドスタートボトルネックとみなす。 本稿では,この欠陥を解決する3段階のフレームワークであるDREAMを提案する。
  論文  参考訳（メタデータ） (2026-06-05T06:21:01Z)
• SAPO: Step-Aligned Policy Optimization for Reasoning-Based Generative Recommendation [43.98709365191658]
  生成レコメンデーションは、次点予測を自己回帰的アイテム識別生成として扱う。 最近の研究は、このパラダイムを推論トレースで強化し、検証可能な報酬で強化学習を通じて最適化している。 大局的なレコメンデーションでは、生成されたSIDに対する正確なマッチングフィードバックは、最終項目が正しいかどうかのみを報告する。
  論文  参考訳（メタデータ） (2026-05-17T20:53:08Z)
• Differentiable Semantic ID for Generative Recommendation [65.83703273297492]
  生成的推薦は、各項目がリッチコンテンツから学習された個別意味ID(SID)によって表現される新しいパラダイムを提供する。 実際には、SIDはレコメンデーションの正確さよりもコンテンツ再構成に最適化されるのが一般的である。 自然なアプローチは、セマンティックインデックスを差別化して、レコメンデーショングラデーションが直接SID学習に影響を与えるようにすることだ。 本稿では,ジェネレーティブレコメンデーションのための効果的な識別可能なセマンティックIDに向けた第一歩として,DIGERを提案する。
  論文  参考訳（メタデータ） (2026-01-27T15:34:11Z)
• Order-agnostic Identifier for Large Language Model-based Generative Recommendation [94.37662915542603]
  アイテムは、ユーザ履歴をエンコードし、次のアイテムを生成するために、LLM(Large Language Models)の識別子に割り当てられる。 既存のアプローチでは、トークンシーケンス識別子を使用して、アイテムを個別のトークンシーケンスとして表現するか、IDまたはセマンティック埋め込みを使用して単一トークン識別子を使用する。 本稿では,セマンティック・トークンライザを利用するSETRecを提案する。
  論文  参考訳（メタデータ） (2025-02-15T15:25:38Z)
• Learning Multi-Aspect Item Palette: A Semantic Tokenization Framework for Generative Recommendation [55.99632509895994]
  マルチアスペクトセマンティックトークン化のための新しいアプローチであるLAMIAを紹介する。 単一の埋め込みを使用するRQ-VAEとは異なり、LAMIAは独立的でセマンティックな並列な埋め込みの集合である「アイテムパレット」を学習する。 その結果,提案手法よりも提案手法の精度が大幅に向上した。
  論文  参考訳（メタデータ） (2024-09-11T13:49:48Z)
• DiffTAD: Temporal Action Detection with Proposal Denoising Diffusion [137.8749239614528]
  そこで我々は,時間的行動検出(TAD)の新しい定式化を提案し,拡散を抑えるDiffTADを提案する。 入力されたランダムな時間的提案を考慮すれば、トリミングされていない長いビデオが与えられたアクションの提案を正確に得ることができる。
  論文  参考訳（メタデータ） (2023-03-27T00:40:52Z)

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。