論文の概要: MURAL: Multimodal Uncertainty-aware Recommendation via Adaptive edge Learning

• arxiv url: http://arxiv.org/abs/2609.04574v1
• Date: Fri, 04 Sep 2026 00:06:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.865353
• Title: MURAL: Multimodal Uncertainty-aware Recommendation via Adaptive edge Learning
• Title（参考訳）: muraL: アダプティブエッジラーニングによるマルチモーダル不確実性認識勧告
• Authors: Ahmad Mousavi, Majid Alikhani, Yeon-Chang Lee, Roberto Corizzo, Yeganeh Abdollahinejad,
• Abstract要約: muraLは、固定構造拡張から動的トポロジー発見へ、マルチモーダルレコメンデーションをシフトする統合フレームワークである。 構造的剛性に対処するために、Adaptive Edge Learnerは、識別可能な検索強化戦略と近似した近接探索を組み合わせることで、潜時アイテム-イテム相関を発見する。 意味的脆弱性に対処するため、不確実性認識融合モジュールは、不均一なモーダル性のアレター的不確かさをモデル化し、動的に重み付け不能な特徴をモデル化する。
• 参考スコア（独自算出の注目度）: 8.921188716837312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal Graph Neural Networks have become standard for recommendation by augmenting sparse interaction data with content features. Yet current architectures face two bottlenecks: structural rigidity, from a reliance on static precomputed similarity graphs that cannot adapt to evolving preferences; and semantic fragility, where noisy modality signals are indiscriminately fused, distorting the collaborative signal. We propose MURAL (Multimodal Uncertainty-aware Recommendation via Adaptive edge Learning), a unified framework that shifts multimodal recommendation from fixed structural augmentation to dynamic topology discovery. To address structural rigidity, an Adaptive Edge Learner combines a differentiable retrieval-augmented strategy with an approximate nearest neighbor search to discover latent item-item correlations that are both semantically adaptive and computationally scalable (O(NlogN)). To address semantic fragility, an Uncertainty-Aware Fusion module models the aleatoric uncertainty of heterogeneous modalities, dynamically down-weighting unreliable features while prioritizing high-confidence signals as a defense against cross-modal noise. We further employ a contrastive teacher-student alignment that anchors modality-specific representations to stable behavioral signals, ensuring optimization stability without gradient leakage. Experiments on large-scale benchmarks including TikTok and Amazon show that MURAL significantly surpasses both structural and generative state-of-the-art baselines, achieving superior accuracy while offering interpretability through domain-specific modality dominance and robustness under extreme data corruption.
• Abstract（参考訳）: マルチモーダルグラフニューラルネットワークは、コンテンツ機能との疎相互作用データを増大させることで推奨される標準となっている。 しかし、現在のアーキテクチャでは、進化する好みに適応できない静的な計算済みの類似性グラフへの依存から、構造的な剛性、そしてノイズの多いモダリティ信号が無差別に融合し、協調信号を歪ませる意味的な脆弱性という2つのボトルネックに直面している。 本稿では,Multimodal Uncertainty-aware Recommendation via Adaptive edge Learningを提案する。 構造的剛性に対処するために、Adaptive Edge Learnerは、識別可能な検索強化戦略と近似した近接探索を組み合わせることで、セマンティック適応性と計算的拡張性の両方を持つ潜在アイテム-イテム相関を発見する(O(NlogN))。 セマンティックな脆弱性に対処するために、不確実性認識融合モジュールは不均一なモーダル性のアレター的不確かさをモデル化し、動的に信頼度の高い信号をモード間ノイズに対する防御として優先順位付けする。 さらに、教師と学生の対比的なアライメントを用いて、モダリティ固有の表現を安定した行動信号に固定し、勾配漏れを伴わずに最適化の安定性を確保する。 TikTokやAmazonといった大規模ベンチマークの実験では、MULは構造的および生成的ベースラインの両方を著しく上回り、ドメイン固有のモダリティ支配と極端なデータ破損下での堅牢性を通じて解釈性を提供しながら、優れた精度を実現している。

関連論文リスト

• UnDA: Unpaired Domain Alignment for Cross-Modal Knowledge Transfer in Medical Imaging [0.4566725591898808]
  提案するUnDAは非対向型クロスモーダル蒸留のためのアンカー誘導型フレームワークである。 このアプローチでは,意味的に構造化されたクラストークンを抽出するバックボーンに依存しないアライメントモジュールを導入している。 意味のある構造的知識は、ペア化されたデータセットを使わずに異種データソース間で伝達可能であることを示す。
  論文  参考訳（メタデータ） (2026-07-23T17:33:29Z)
• RMBRec: Robust Multi-Behavior Recommendation towards Target Behaviors [26.88506691092044]
  ターゲット行動に対するロバスト多行動勧告(RMBRec)を提案する。 RMBRecは、情報理論の堅牢性原理に基づく、堅牢なマルチビヘイビアレコメンデーションフレームワークである。 RMBRecは最先端の手法よりも精度が高く,様々なノイズ摂動下では顕著な安定性を維持している。
  論文  参考訳（メタデータ） (2026-01-13T16:34:17Z)
• Test-time Adaptive Hierarchical Co-enhanced Denoising Network for Reliable Multimodal Classification [55.56234913868664]
  マルチモーダルデータを用いた信頼性学習のためのTAHCD(Test-time Adaptive Hierarchical Co-enhanced Denoising Network)を提案する。 提案手法は,最先端の信頼性の高いマルチモーダル学習手法と比較して,優れた分類性能,堅牢性,一般化を実現する。
  論文  参考訳（メタデータ） (2026-01-12T03:14:12Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• UGG-ReID: Uncertainty-Guided Graph Model for Multi-Modal Object Re-Identification [26.770271366177603]
  マルチモーダルオブジェクトReID(UGG-ReID)に対する不確実性誘導グラフモデルというロバストなアプローチを提案する。 UGG-ReIDは、ノイズ干渉を緩和し、効果的なマルチモーダル融合を促進するように設計されている。 実験結果から,提案手法は全データセットに対して優れた性能を示すことがわかった。
  論文  参考訳（メタデータ） (2025-07-07T03:41:08Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)

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。