論文の概要: Personalized Task Dependency Graphs for Mitigating Signal Erosion in Multi-Task Recommendation

• arxiv url: http://arxiv.org/abs/2609.04862v1
• Date: Fri, 04 Sep 2026 08:23:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.971921
• Title: Personalized Task Dependency Graphs for Mitigating Signal Erosion in Multi-Task Recommendation
• Title（参考訳）: マルチタスクレコメンデーションにおける信号エロージョンの軽減のためのパーソナライズされたタスク依存グラフ
• Abstract要約: パーソナライズされたタスク依存グラフ(PTDG)を提案する。 PTDGは、構造的堅牢性を確保するために、低ランク近似を通じて各項目の依存性経路の強度を「リワイヤ」する。 KuaiRand1Kの実験と工業データセットによれば、PTDGはスパース変換タスクのAUCを最大1.45%改善している。
• 参考スコア（独自算出の注目度）: 12.788118240513791
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optimizing multiple conversion objectives is a core challenge in industrial recommendation, often limited by signal erosion in rigid architectures. Existing Multi-Task Learning (MTL) methods typically enforce uniform dependency strengths across a static conversion funnel, overlooking how task correlations naturally vary based on item characteristics. Hierarchical message passing along these fixed chains leads to cumulative signal attenuation, which degrades performance on sparse, deep-funnel objectives. To address this, we propose the Personalized Task Dependency Graphs (PTDG). While respecting necessary physical causal constraints (e.g., Click -> Pay), PTDG dynamically "rewires" the intensity of dependency pathways for each item via low-rank approximation to ensure structural robustness. We implement a GCN-based propagation with hard causal masking to establish adaptive information shortcuts. Additionally, we introduce an Adaptive Progressive Masking (APM) strategy that decouples shared parameters according to task sparsity, helping to stabilize optimization. Experiments on KuaiRand1K and an industrial dataset show that PTDG significantly improves AUC on sparse conversion tasks by up to 1.45%, while maintaining comparable performance on dense objectives. Online A/B testing shows PTDG improves Conversion Rate (CVR) by 1.2% and effective Cost Per Mille (eCPM) by 1.9% relative to the baseline.
• Abstract（参考訳）: 複数の変換の目的を最適化することは、工業的推薦における中核的な課題であり、しばしば堅固なアーキテクチャにおける信号の侵食によって制限される。 既存のMTL(Multi-Task Learning)手法は、通常、アイテムの特性に基づいてタスク相関が自然にどのように変化するかを見越して、静的変換ファネル全体にわたる一様依存性の強度を強制する。 これらの固定鎖に沿った階層的なメッセージパッシングは累積信号減衰を引き起こす。 そこで我々はPersonalized Task Dependency Graphs (PTDG)を提案する。 必要な物理的因果制約(例えば、Click -> Pay)を尊重しながら、PTDGは、構造的堅牢性を確保するために、低ランク近似を通じて各項目の依存性経路の強度を動的に「リワイヤ」する。 我々は、適応的な情報ショートカットを確立するために、ハード因果マスキングを用いたGCNベースの伝搬を実装した。 さらに,タスクの分散度に応じてパラメータを分離し,最適化の安定化を支援するアダプティブプログレッシブ・マスキング(APM)戦略を導入する。 KuaiRand1Kの実験と工業データセットによると、PTDGは疎変換タスクのAUCを最大1.45%改善し、高密度な目的に対して同等のパフォーマンスを維持している。 オンラインA/Bテストでは、PTDGはコンバージョンレート(CVR)を1.2%改善し、有効コストパーミル(eCPM)を1.9%改善している。

関連論文リスト

• Semantic Trimming and Auxiliary Multi-step Prediction for Generative Recommendation [22.025559532445012]
  両端最適化戦略を利用したSTAMP(Semantic Trimming and Auxiliary Multi-step Prediction)を提案する。 パブリックなAmazonおよび大規模産業データセットの実験では、STAMPは1.23--1.38$times$ speedupと17.2%--54.7%のVRAM削減を達成した。
  論文  参考訳（メタデータ） (2026-04-07T02:00:23Z)
• TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
  訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。 TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。 TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
  論文  参考訳（メタデータ） (2026-03-02T10:38:54Z)
• Causally-Guided Automated Feature Engineering with Multi-Agent Reinforcement Learning [22.948935703534428]
  我々は、AFEを因果的に誘導されたシーケンシャルな決定プロセスとして再編成する枠組みを導入する。 CAFEは、強力なAFEベースラインよりも最大7%改善し、コンバージェンスを低減し、競合する時間とターゲットを提供する。 これらの結果から, 硬い制約ではなく, 軟らかいインダクティブとして用いられる因果構造は, 自動機能工学の堅牢性と効率を大幅に向上させる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-02-18T13:12:11Z)
• Soft Conflict-Resolution Decision Transformer for Offline Multi-Task Reinforcement Learning [10.712621254661302]
  SoCo-DTはパラメータ重要度に基づくソフト・コンフリクト分解法である。 我々は、インタークアタイルレンジに基づく動的空間調整戦略を導入する。 実験結果から,SoCo-DTはMT50では7.6%,準最適データセットでは10.5%,最先端手法では7.6%を上回った。
  論文  参考訳（メタデータ） (2025-11-17T08:40:41Z)
• CoT-Saliency: Unified Chain-of-Thought Reasoning for Heterogeneous Saliency Tasks [96.64597365827046]
  本稿では,3つの運用上不均一なサリエンシタスクを共同で処理する,最初の統合フレームワークを提案する。 タスクの不均一性を橋渡しする視覚言語モデル(VLM)において、チェーン・オブ・ソート(CoT)推論プロセスを導入する。 我々は,全タスクにまたがる特別なSOTA手法と強力なクローズドソースVLMの整合性を示す。
  論文  参考訳（メタデータ） (2025-11-01T04:37:01Z)
• STT-GS: Sample-Then-Transmit Edge Gaussian Splatting with Joint Client Selection and Power Control [77.56170394100022]
  Edge Gaussian splatting (EGS)は、分散クライアントからデータを集約し、エッジサーバでグローバルGSモデルをトレーニングする。 本稿では、異なるクライアントのビューコントリビューションを識別する新しいGS指向の目的関数を定式化する。 その結果,低サンプリング比でGS指向の目的を正確に予測できることが判明した。
  論文  参考訳（メタデータ） (2025-10-15T06:20:47Z)
• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)
• Dynamic Context-oriented Decomposition for Task-aware Low-rank Adaptation with Less Forgetting and Faster Convergence [131.41894248194995]
  タスク認識方式でアダプタを初期化する新しい手法であるコンテキスト指向分解適応(CorDA)を提案する。 本手法は,タスク認識により,知識保存モード (KPM) と命令レビューモード (IPM) の2つのオプション適応モードを実現する。
  論文  参考訳（メタデータ） (2025-06-16T07:55:14Z)
• Bilateral Dependency Optimization: Defending Against Model-inversion Attacks [61.78426165008083]
  本稿では,モデル反転攻撃に対する二元的依存性最適化(BiDO)戦略を提案する。 BiDOは、さまざまなデータセット、分類器、MI攻撃に対する最先端の防御性能を達成する。
  論文  参考訳（メタデータ） (2022-06-11T10:07:03Z)

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。