論文の概要: Self-Evolving Memory for Generative Recommendation

• arxiv url: http://arxiv.org/abs/2609.15598v1
• Date: Mon, 14 Sep 2026 14:00:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.421606
• Title: Self-Evolving Memory for Generative Recommendation
• Title（参考訳）: ジェネレーションレコメンデーションのための自己進化記憶
• Abstract要約: 生成的レコメンデーションは、パーソナライズされたレコメンデーションのための有望なエンドツーエンドパラダイムとして登場した。 継続的再訓練や蒸留に基づく適応といった既存の進化戦略は、共有モデルパラメータを直接更新する。 本稿では,異種行動パターン間の効果的な進化を実現することを目的とした,自己進化型メモリパラダイムを提案する。
• 参考スコア（独自算出の注目度）: 100.15207958893029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative recommendation has emerged as a promising end-to-end paradigm for personalized recommendation. However, user preferences continuously evolve over time, making self-evolving an essential capability for generative recommender systems. Existing evolving strategies, such as continual retraining and distillation-based adaptation, directly update the shared model parameters using streaming interactions. Nevertheless, we find that directly applying such strategies to generative recommendation introduces a critical issue, termed evolution conflict. Specifically, heterogeneous preference shifts from different users are optimized within a fully shared autoregressive parameter space, causing dominant behavioral patterns to progressively dominate the model evolution process while underrepresented patterns become increasingly overlooked. To address this issue, we propose a self-evolving memory paradigm for generative recommendation, aiming to enable effective evolution across heterogeneous behavioral patterns. We further identify three key principles for effective self-evolving recommendation systems, including isolated memorization, reinforced evolution, and scalable application. Guided by these principles, we develop LION, a simple yet effective framework centered on a sparse Key-Value memory layer. Specifically, LION introduces sparse memory activation to isolate the evolution of different behavioral patterns, while a consolidation loss is designed to reinforce the learning of underrepresented preference dynamics during continual adaptation. Extensive experiments on diverse real-world datasets demonstrate the effectiveness of LION under various continual evolution settings (e.g., per-period evaluation, user/item group evaluation, and evolution convergence analysis). The codes are released at https://github.com/JazyJiang/Self-Evolving-Memory-for-Generative-Recommendation.
• Abstract（参考訳）: 生成的レコメンデーションは、パーソナライズされたレコメンデーションのための有望なエンドツーエンドパラダイムとして登場した。 しかし、ユーザの好みは時間とともに継続的に進化し、自己進化は生成レコメンデーションシステムにとって不可欠な機能となる。 継続的再訓練や蒸留に基づく適応といった既存の進化戦略は、ストリーミングインタラクションを使用して共有モデルパラメータを直接更新する。 それにもかかわらず、このような戦略を生成的推薦に直接適用すると、進化の衝突と呼ばれる重要な問題が発生する。 特に、異なるユーザからの不均一な選好シフトは、完全に共有された自己回帰パラメータ空間内で最適化され、支配的な行動パターンが、過小評価されたパターンが次第に見過ごされる一方で、モデルの進化過程を徐々に支配する。 この問題に対処するために,異種行動パターン間の効果的な進化を実現することを目的とした,自己進化型メモリパラダイムを提案する。 さらに、孤立記憶化、強化進化、スケーラブルなアプリケーションなど、効果的な自己進化レコメンデーションシステムのための3つの重要な原則を特定します。 これらの原則によってガイドされ、スパースキーバリューメモリ層を中心としたシンプルで効果的なフレームワークであるLIONを開発した。 特に、LIONは、異なる行動パターンの進化を分離するためにスパースメモリアクティベーションを導入し、コンソリデーションロスは、連続的な適応中に、表現されていない好みのダイナミクスの学習を強化するために設計されている。 多様な実世界のデータセットに対する大規模な実験は、様々な連続的な進化環境下でのLIONの有効性を示す(例えば、周期ごとの評価、ユーザ/イテム群の評価、進化収束解析)。 コードはhttps://github.com/JazyJiang/Self-Evolving-Memory-for-Generative-Recommendationで公開されている。

関連論文リスト

• Learning What to Remember and What to Internalize in LLM Self-Evolution via Adaptive Memory-Parameter Coordination [40.98046592234726]
  我々は,統合エージェントの自己進化フレームワークであるCOVEを紹介する。 これは、タスク対応ルーティング、ステージ対応スケジューリング、知識最適化を通じて、ハーネスベースとパラメータベースの学習を組み合わせる。 COVEは単一チャネルの進化戦略より優れており、環境の変化によるより堅牢で効率的な改善を実証している。
  論文  参考訳（メタデータ） (2026-08-02T13:39:01Z)
• MobEvolve: An Agentic Self-Evolving Heuristic System for Interpretable Human Mobility Generation [51.824145170051516]
  MobEvolveは、人間のモビリティ生成のための自己進化フレームワークである。 エージェントを使用して、内部ロジックを反復的に進化させる。 最先端の深層生成法とLLMベースの手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-06-01T03:46:25Z)
• GeM-EA: A Generative and Meta-learning Enhanced Evolutionary Algorithm for Streaming Data-Driven Optimization [17.389105051345698]
  ストリーミングデータ駆動最適化(SDDO)の問題は、データが継続的に到着し、最適化環境が時間とともに進化する多くのアプリケーションで発生します。 SDDOのための生成・メタラーニング拡張進化アルゴリズムであるGeM-EAを提案する。 ベンチマークSDDO問題に対する実験結果から,GeM-EAは最先端手法に比べて適応が早く,ロバスト性も向上することが示された。
  論文  参考訳（メタデータ） (2026-04-14T06:18:54Z)
• Discovering Multiagent Learning Algorithms with Large Language Models [8.649235365712004]
  我々は,大規模言語モデルを用いた進化的符号化エージェントであるAlphaEvolveを用いて,新しいマルチエージェント学習アルゴリズムを自動発見する。 ゲーム理論学習の2つの異なるパラダイムのための新しい変種を進化させることにより、この枠組みの一般化を実証する。
  論文  参考訳（メタデータ） (2026-02-18T22:41:00Z)
• Position: Agentic Evolution is the Path to Evolving LLMs [56.733933092220845]
  この制限に対処するには、新たなスケーリング軸進化が必要です。 既存の展開時適応手法では、障害を診断し、持続的な改善を生み出すために必要な戦略的機関が欠如している。
  論文  参考訳（メタデータ） (2026-01-30T22:15:58Z)
• RecNet: Self-Evolving Preference Propagation for Agentic Recommender Systems [109.9061591263748]
  RecNetは、レコメンデータシステムのための自己進化的な好みの伝達フレームワークである。 関連ユーザやアイテム間で、リアルタイムの好み更新を積極的に伝達する。 逆相では、フィードバック駆動の伝搬最適化機構がマルチエージェント強化学習フレームワークをシミュレートする。
  論文  参考訳（メタデータ） (2026-01-29T12:14:31Z)
• From Atom to Community: Structured and Evolving Agent Memory for User Behavior Modeling [25.74573956240653]
  STEAM(textittextbfSTructured and textbfEvolving textbfAgent textbfMemory)は、エージェントメモリの編成と更新方法を再定義する新しいフレームワークである。 好みを原子記憶単位に分解し、それぞれが観察された行動に明示的なリンクで異なる関心領域をキャプチャする。 協調的パターンを活用するために、STEAMは、ユーザ間で類似した記憶をコミュニティに整理し、信号伝達のためのプロトタイプメモリを生成する。
  論文  参考訳（メタデータ） (2026-01-23T16:24:57Z)
• MemEvolve: Meta-Evolution of Agent Memory Systems [66.09735157017558]
  自己進化型メモリシステムは、大型言語モデル(LLM)ベースのエージェントの進化パラダイムを前例のない形で再構築している。 MemeEvolveは、エージェントの経験的知識とメモリアーキテクチャを共同で進化させるメタ進化フレームワークである。 EvolveLabは、12の代表的なメモリシステムをモジュール設計空間に蒸留する、統一された自己進化型メモリである。
  論文  参考訳（メタデータ） (2025-12-21T14:26:14Z)
• Evolutionary Generative Optimization: Towards Fully Data-Driven Evolutionary Optimization via Generative Learning [41.44929681213813]
  我々は、生成学習によって強化された完全なデータ駆動型フレームワークを提案する。 EvoGOは進化的最適化プロセスを、データ準備、モデルトレーニング、人口生成の3段階に合理化している。 数値ベンチマーク、古典的な制御問題、高次元ロボットタスクの実験により、EvoGOはわずか10世代で一貫して収束することを示した。
  論文  参考訳（メタデータ） (2025-08-01T07:17:57Z)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)

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。