論文の概要: ReliGRec: Reliability-Oriented LLM-Based Generative Recommendation via User-Risk-Aware Prompt Routing
- arxiv url: http://arxiv.org/abs/2609.16560v1
- Date: Tue, 15 Sep 2026 02:56:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.32109
- Title: ReliGRec: Reliability-Oriented LLM-Based Generative Recommendation via User-Risk-Aware Prompt Routing
- Title（参考訳）: ReliGRec: ユーザリスクを意識したプロンプトルーティングによる信頼性指向LLMベースのジェネレーティブレコメンデーション
- Abstract要約: ユーザレベルの弱リスクプロキシラベルのための弱教師付きフレームワークであるReliGRecを提案する。
ReliGRecは、ユーザのサブセットに対するレビューフィードバック信号から、ユーザレベルの弱いプロキシラベルを導出する。
Dual-View Weak-Risk Estimatorは、ユーザレベルの弱リスクスコアを生成するために、表現を融合する。
- 参考スコア（独自算出の注目度）: 15.062647558548562
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: User behavior in real-world recommender systems is heterogeneous. While some users exhibit coherent preferences, others show abrupt interest shifts, bursty interactions, excessive repetition, or inconsistency with collaborative neighborhoods. Such deviations may arise from benign variation or manipulation, including shilling attacks, but do not alone establish malicious intent. Existing robust recommenders exploit user-risk signals through training-time reweighting or graph aggregation, whereas adapting generation to estimated user-level weak risk remains underexplored in LLM-based generative recommendation. We propose ReliGRec (Reliability-oriented Generative Recommendation), a weakly supervised framework whose name denotes its design goal rather than a supervised reliability variable. ReliGRec derives user-level weak-risk proxy labels from review-feedback signals for a subset of users and represents sequential behavior and collaborative context using a Behavior Token and temporal Graph Tokens, respectively. A Dual-View Weak-Risk Estimator fuses the representations to produce a user-level weak-risk score that selects a Simple or Cautious Prompt at inference. The Cautious Prompt is designed to encourage attention to stable, collaboratively supported evidence while reducing overreliance on isolated, short-term, or repeated interactions. The Behavior Token affects generation through weak-risk estimation and routing, whereas the aggregated Graph Token provides collaborative context for next-item Semantic ID generation. ReliGRec thus turns weak-risk estimation from an auxiliary prediction into a generation-time control signal. Experiments report competitive recommendation and weak-risk proxy-label prediction, while routing analyses characterize the recommendation-quality and inference-cost behavior of weak-risk-guided prompting.
- Abstract（参考訳）: 現実世界のレコメンデータシステムにおけるユーザ行動は異質である。
一部のユーザーはコヒーレントな好みを示す一方で、急激な関心の変化、バースト的な相互作用、過剰な反復、または協力的な地区との矛盾を示す。
このような偏見は、威圧攻撃を含む良質な変動や操作から生じることがあるが、悪意のある意図を確立しているわけではない。
既存のロバストなレコメンデータは、トレーニング時間の再重み付けやグラフアグリゲーションを通じて、ユーザリスク信号を利用するが、LLMベースのジェネレーティブレコメンデーションでは、推定ユーザレベルの弱いリスクに対する生成を過小評価している。
本稿では,ReliGRec (Reliability-oriented Generative Recommendation)を提案する。
ReliGRecは、ユーザのサブセットに対するレビューフィードバック信号からユーザレベルの弱いプロキシラベルを派生し、それぞれビヘイビアトークンと時間グラフトークンを使用して、シーケンシャルな振る舞いと協調的なコンテキストを表現する。
Dual-View Weak-Risk Estimatorは、この表現を融合してユーザレベルの弱リスクスコアを生成し、推論時にSimpleまたはCautious Promptを選択する。
Cautious Promptは、安定的で協力的に支持された証拠に注意を向けると同時に、孤立した、短期的、または反復的な相互作用に対する過度な信頼を減らすように設計されている。
Behavior Tokenは弱いリスクの推定とルーティングを通じて生成に影響を与えるが、集約されたGraph Tokenは、次世代セマンティックID生成のための協調コンテキストを提供する。
これにより、ReliGRecは補助予測から弱いリスク推定を世代制御信号に変換する。
実験では、競合する推奨と弱リスクのプロキシラベル予測を報告し、一方、ルーティング解析では、弱リスク誘導プロンプトの推奨品質と推論コストの挙動を特徴付ける。
関連論文リスト
- Evidence-Consistent Generative Detection under Scenario-Level Distribution Shift [11.714767952479434]
In-distriion評価は、トレーニングとテストデータが繰り返し発生するタスク固有のパターンやサーフェスキューを共有するときに、ロバスト性を過大評価する可能性がある。
本研究では,SMSと音声フィッシングのシナリオレベルのアウト・オブ・ディストリビューション(SL-OOD)検出手法としてこの問題を考察する。
本稿では,エビデンス・スパンの監督と合理的・ラベルの整合性を組み合わせたエビデンス・一貫性・ジェネレーティブ・フレームワークであるECoGを提案する。
論文 参考訳（メタデータ） (2026-08-21T12:36:36Z) - Risk-Consistent Multiclass Learning from Random Label-Subset Membership Queries [23.692455958661668]
本稿では,ランダムラベルサブセットクエリに基づくマルチクラスラーニングフレームワークを提案する。
我々は、経験的リスク最小化(ERM)フレームワークの下で、目標リスクの偏りのない推定器を導出する。
負の経験的リスクとそれに伴うオーバーフィッティング問題に対処するために,非負および絶対値の補正に基づく修正されたリスク推定器を導入する。
論文 参考訳（メタデータ） (2026-05-08T08:05:02Z) - Beyond Semantic Relevance: Counterfactual Risk Minimization for Robust Retrieval-Augmented Generation [19.888565537472363]
CoRM-RAG(Counterfactual Risk Minimization for RAG)は、検索と意思決定の安全性を一致させるフレームワークである。
トレーニング中にユーザのバイアスをシミュレートする認知摂動プロトコルを導入し,それを軽量なエビデンス・クリティカルに蒸留する。
このスコアリングモジュールは、対向的なクエリの摂動にも拘わらず、モデルの正しさを判断するために十分な明らかな強度を持つ文書を特定することを学習する。
論文 参考訳（メタデータ） (2026-05-02T07:22:24Z) - CORA: Conformal Risk-Controlled Agents for Safeguarded Mobile GUI Automation [68.53387633351484]
有害な行為に対する統計的保証を提供するポスト・ポリティクス・プレアクション保護フレームワークであるCORA(Conformal Risk-control GUI Agent)を提案する。
CORAは、安全を選択的行動実行として再定義する:我々は、提案されたステップごとに行動条件リスクを推定するためにガーディアンモデルを訓練する。
このパラダイムを厳格に評価するために、ステップレベルのハーモラベルを持つモバイル安全違反の新しいベンチマークであるPhone-Harmを紹介する。
論文 参考訳（メタデータ） (2026-04-10T09:41:21Z) - DARC: Disagreement-Aware Alignment via Risk-Constrained Decoding [59.16244104797919]
本稿では,リスク制約付き復号法(DARC)*による分散アライメント(Disagreement-Aware Alignment)を提案する。
DARCは応答選択を、分布的に堅牢で、リスクに敏感な意思決定として捉えている。
アライメントベンチマークの実験では、DARCは競合平均品質を維持しながら、不一致と尾のリスクを低減する。
論文 参考訳（メタデータ） (2026-03-09T09:21:29Z) - Robust Aggregation for Federated Sequential Recommendation with Sparse and Poisoned Data [2.9515750844111106]
フェデレートされたシーケンシャルなレコメンデーションは、モデルトレーニングをユーザデバイスに分散することで、振る舞いデータをローカルに保ち、プライバシのリスクを低減します。
しかし、この設定には2つの困難が伴う。
個々のクライアントは通常、短くてスパースなインタラクションシーケンスにのみ貢献し、学習したユーザ表現の信頼性を制限します。
本稿では,スパース条件および逆条件下での連立推薦に適した頑健な集約フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-27T12:50:44Z) - Prediction-Powered Risk Monitoring of Deployed Models for Detecting Harmful Distribution Shifts [51.37000123503367]
予測駆動型リスクモニタリング(PPRM)を提案する。
PPRMは、合成ラベルを真のラベルの小さなセットと組み合わせることで、ランニングリスクの任意の有意な下界を構築する。
本稿では,画像分類,大規模言語モデル(LLM),通信監視タスクの広範な実験を通じて,PPRMの有効性を実証する。
論文 参考訳（メタデータ） (2026-02-02T15:32:14Z) - A Novel Generative Model with Causality Constraint for Mitigating Biases in Recommender Systems [20.672668625179526]
遅延共起バイアスは、ユーザのフィードバックとアイテムの露出の間の真の因果関係を曖昧にする可能性がある。
本稿では,Recommender Systemsにおける表現学習のための遅延因果制約(Latent Causality Constraints)と呼ばれる新しい生成フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-22T14:09:39Z) - TrustLoRA: Low-Rank Adaptation for Failure Detection under Out-of-distribution Data [62.22804234013273]
本稿では,共変量および意味的シフトの両条件下での拒絶による分類を統一し,促進する,単純な故障検出フレームワークを提案する。
キーとなる洞察は、障害固有の信頼性知識を低ランクアダプタで分離し、統合することにより、障害検出能力を効果的かつ柔軟に向上できるということです。
論文 参考訳（メタデータ） (2025-04-20T09:20:55Z) - Safe Deployment for Counterfactual Learning to Rank with Exposure-Based
Risk Minimization [63.93275508300137]
本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。
提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
論文 参考訳（メタデータ） (2023-04-26T15:54:23Z) - Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。
AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。
誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文 参考訳（メタデータ） (2022-09-22T04:32:51Z)
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。