Fugu-MT 論文翻訳(概要): Efficient Multimodal Generative Recommendation with Latent Narrative Reasoning

論文の概要: Efficient Multimodal Generative Recommendation with Latent Narrative Reasoning

arxiv url: http://arxiv.org/abs/2609.16070v1
Date: Sun, 13 Sep 2026 15:04:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 14:56:08.123188
Title: Efficient Multimodal Generative Recommendation with Latent Narrative Reasoning
Title（参考訳）: ラテントナラティブ推論を用いた効率的なマルチモーダル生成レコメンデーション
Abstract要約: 生成レコメンデーションは、アイテム予測を識別子のセマンティック生成として再構成するが、エピソードコンテンツは根本的に異なる設定を導入する。このタスクは、冗長な視覚的コンテキストとコストがかかる推論生成によって引き起こされる効率上の課題に対処しながら、マルチモーダルなストーリーラインの進行を理解するモデルを必要とする。 bfNarraLiteは、知覚と推論を共同で圧縮する効率的なマルチモーダル・ジェネレーティブ・レコメンデーション・フレームワークである。
参考スコア（独自算出の注目度）: 10.486899836396686
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Generative recommendation reformulates item prediction as semantic identifier generation, yet episodic content introduces a fundamentally different setting where the target is determined by narrative evolution rather than user preference. This task requires models to understand multimodal storyline progression while addressing the efficiency challenges caused by redundant visual contexts and costly explicit reasoning generation. We propose \textbf{NarraLite}, an efficient multimodal generative recommendation framework that jointly compresses perception and reasoning. Specifically, Progressive Spectral Compression selectively distills long visual contexts into compact narrative-relevant evidence, preserving transition-critical information while reducing redundant visual computation. Latent Narrative Reasoning introduces context-routed latent reasoning tokens and aligns their contextualized representations with future continuation semantics, enabling implicit narrative inference without autoregressively decoding textual rationales. We further establish a user-agnostic multimodal benchmark for short-form drama continuation across UGC, PGC, and OOD settings. Extensive experiments demonstrate that NarraLite consistently improves continuation accuracy, narrative coherence, and robustness over existing approaches, while achieving a favorable accuracy--efficiency trade-off.
Abstract（参考訳）: 生成レコメンデーションは、アイテム予測を意味的識別子生成として再構成するが、エピソードコンテンツは、ターゲットがユーザの好みではなく物語の進化によって決定される、根本的に異なる設定を導入する。このタスクは、冗長な視覚的コンテキストとコストがかかる推論生成によって引き起こされる効率上の課題に対処しながら、マルチモーダルなストーリーラインの進行を理解するモデルを必要とする。本稿では,知覚と推論を共同で圧縮する効率的なマルチモーダル生成推薦フレームワークである‘textbf{NarraLite} を提案する。具体的には、プログレッシブ・スペクトル圧縮(Progressive Spectral Compression)は、長い視覚的コンテキストをコンパクトな物語関連エビデンスに選択的に蒸留し、過度な視覚的計算を減らし、遷移クリティカルな情報を保存する。 Latent Narrative Reasoningは、文脈に従属した潜在推論トークンを導入し、文脈化された表現を将来の継続セマンティクスと整合させ、テキストの有理を自己回帰的に復号することなく暗黙的な物語推論を可能にする。さらに,UGC,PGC,OOD設定にまたがるショートフォームドラマ継続のためのユーザ依存マルチモーダルベンチマークを構築した。大規模な実験では、NarraLiteは継続精度、物語のコヒーレンス、既存のアプローチに対する堅牢性を継続的に改善し、良好な精度、効率のトレードオフを実現している。

関連論文リスト

PLUME: Latent Reasoning Based Universal Multimodal Embedding [52.35354073629127]
ユニバーサルマルチモーダル埋め込み(UME)は、異種入力を単一のモデルで共有検索空間にマッピングする。最近のアプローチでは、埋め込みを抽出する前に明確なチェーン・オブ・シント(CoT)論理を生成することにより、UMEを改善している。 PLUMEは,言語化されたCoTを連続的潜伏状態の短時間の自己回帰ロールアウトに置き換えることで,UMEを進化させる潜在的推論フレームワークである。
論文参考訳（メタデータ） (2026-04-02T14:04:53Z)
Hit-RAG: Learning to Reason with Long Contexts via Preference Alignment [97.55382322103986]
Hit-RAGは認知的ボトルネックを解決するために設計された多段階の優先順位調整フレームワークである。本手法は,3つの異なる段階を通じて外部証拠の利用を体系的に改善する。
論文参考訳（メタデータ） (2026-03-07T04:05:27Z)
CREM: Compression-Driven Representation Enhancement for Multimodal Retrieval and Comprehension [49.6969505536365]
生成能力を保ちつつ、検索のためのマルチモーダル表現を強化する統一的なフレームワークであるCREMを提案する。 CREMはMMEB上での最先端検索性能を達成し,複数の理解ベンチマーク上での強力な生成性能を維持する。
論文参考訳（メタデータ） (2026-02-22T08:09:51Z)
MUSE: A Multi-agent Framework for Unconstrained Story Envisioning via Closed-Loop Cognitive Orchestration [16.61208703961799]
我々は,短いユーザプロンプトから長文音声視覚ストーリーを生成するフレームワークを開発した。 MUSEは物語の意図を、個人性、空間構成、時間的連続性に関する明示的で機械実行可能な制御に翻訳する。 MUSEは、ロングホライズンな物語のコヒーレンス、クロスモーダルなアイデンティティの整合性、および映画的品質を代表的ベースラインに比べて大幅に改善する。
論文参考訳（メタデータ） (2026-02-03T02:55:00Z)
Analyzing Reasoning Consistency in Large Multimodal Models under Cross-Modal Conflicts [74.47786985522762]
テキスト慣性(textual inertia)と呼ばれる重要な障害モードを特定し、矛盾する視覚的証拠を無視しながら、モデルは間違ったテキストに盲目的に固執する傾向がある。本稿では,多種多様なLMMの推論連鎖に摂動を構造的に注入するLogicGraph摂動プロトコルを提案する。その結果,10%未満の症例で自己修正が成功し,主に視覚的テキスト誤りの伝播に寄与することが判明した。
論文参考訳（メタデータ） (2026-01-07T16:39:34Z)
Explaining multimodal LLMs via intra-modal token interactions [55.27436637894534]
MLLM(Multimodal Large Language Models)は、様々な視覚言語タスクにおいて顕著な成功を収めているが、その内部決定機構は十分に理解されていない。モーダル内相互作用を利用した解釈可能性の向上を提案する。
論文参考訳（メタデータ） (2025-09-26T14:39:13Z)
Re:Verse -- Can Your VLM Read a Manga? [14.057881684215047]
現在の視覚言語モデル(VLM)は、表面レベルの認識と深い物語的推論の間に重要なギャップを示す。本稿では,細粒度マルチモーダルアノテーション,クロスモーダル埋め込み解析,検索強化評価を組み合わせた新しい評価フレームワークを提案する。本稿では,VLMにおける長期的物語理解に関する最初の体系的研究を,生成的ストーリーテリング,文脈的対話グラウンドニング,時間的推論という3つのコア評価軸を通じて行った。
論文参考訳（メタデータ） (2025-08-11T22:40:05Z)
ContextGuard-LVLM: Enhancing News Veracity through Fine-grained Cross-modal Contextual Consistency Verification [2.012425476229879]
伝統的なアプローチは、細粒度のクロスモーダルなコンテキスト整合性の問題に対処するのに不足している。先進的な視覚言語大モデルに基づく新しいフレームワークであるContextGuard-LVLMを提案する。我々のモデルは、強化されたあるいは敵対的な学習パラダイムによって一意に強化されている。
論文参考訳（メタデータ） (2025-08-08T18:10:24Z)
ConciseHint: Boosting Efficient Reasoning via Continuous Concise Hints during Generation [74.37307916314407]
提案するフレームワークはConciseHintと呼ばれ,推論モデルが簡潔に話すことを継続的に奨励する。 DeepSeek-R1 および Qwen-3 シリーズを含む最先端の LRM 実験により,本手法が簡潔な推論を効果的に生成できることが実証された。
論文参考訳（メタデータ） (2025-06-23T16:20:44Z)
COINS: Dynamically Generating COntextualized Inference Rules for Narrative Story Completion [16.676036625561057]
我々は、文脈文を反復的に読み出し、文脈化された推論規則を生成し、それらを符号化し、タスク固有の出力生成をガイドするフレームワークであるCOINSを提案する。繰り返しモデルで推論と文生成のステップをモジュール化することにより、推論のステップとその次の文生成に対する影響を透過的にすることを目指す。自動的および手動的評価は、特にコヒーレンスの観点から、SOTAベースラインよりも優れたストーリー文を生成することを示す。
論文参考訳（メタデータ） (2021-06-04T14:06:33Z)

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。