論文の概要: SURF: Subtractive Updates for Recommender Forgetting

• arxiv url: http://arxiv.org/abs/2609.18695v1
• Date: Wed, 16 Sep 2026 14:08:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.831625
• Title: SURF: Subtractive Updates for Recommender Forgetting
• Title（参考訳）: SURF: Recommender Forgettingのサブトラクティブアップデート
• Abstract要約: 本稿では,シークエンシャル・レコメンダ・システムにおけるマシン・アンラーニングに関する軽量なフレームワークを提案する。 実験の結果,SURFは完全再学習に匹敵する非学習効率を達成し,計算コストを大幅に削減できることがわかった。
• 参考スコア（独自算出の注目度）: 17.12265349874409
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing demand for user privacy and compliance with regulations such as GDPR has made machine unlearning a fundamental requirement for modern recommender systems. However, Sequential Recommender Systems (SRS) pose unique challenges for unlearning due to their reliance on temporal interaction patterns. Existing approaches either require computationally prohibitive full retraining or fail to account for the sequential nature of user behavior. We propose SURF (Subtractive Updates for Recommender Forgetting), a lightweight framework for approximate machine unlearning in SRS. SURF operates in three stages: (i) identifying the neighborhood of the item to forget in the embedding space, (ii) training an auxiliary model on this compact local subset, and (iii) subtracting the auxiliary model's scores from the original model at inference time. Experiments against five baselines on 7 datasets show that SURF achieves unlearning effectiveness comparable to full retraining while substantially reducing computational cost, yielding up to a 32% improvement in NDCG@20 while requiring just 2% of the original retraining baseline time budget. We share our code at https://github.com/FilippoBetello/SURF.
• Abstract（参考訳）: GDPRなどの規制に対するユーザのプライバシやコンプライアンスの需要の増加により、機械学習は現代のレコメンデータシステムの基本要件となっている。 しかし、SRS(Sequential Recommender Systems)は、時間的相互作用パターンに依存しているため、アンラーニングにユニークな課題を提起する。 既存のアプローチでは、計算的に禁止された完全な再トレーニングが必要か、あるいはユーザの行動のシーケンシャルな性質を説明できないかのいずれかである。 我々は,SRSにおける近似機械学習のための軽量フレームワークであるSURF(Subtractive Updates for Recommender Forgetting)を提案する。 SURFは以下の3段階で動作する。 (i)埋め込み空間において忘れる項目の近傍を識別すること。 二 このコンパクトな局所部分集合の補助モデルを訓練し、 三 推定時において、原モデルから補助モデルのスコアを減じること。 7つのデータセット上の5つのベースラインに対する実験によると、SURFは完全なリトレーニングに匹敵する非学習効果を達成し、計算コストを大幅に削減し、元のリトレーニングベースラインタイム予算の2%しか必要とせず、NDCG@20を最大32%改善する。 コードをhttps://github.com/FilippoBetello/SURF.comで共有しています。

関連論文リスト

• Not Every Subject Should Stay: Machine Unlearning for Noisy Engagement Recognition [53.005382593686356]
  エンゲージメント認識データセットは典型的には主観的インデクシングであり、しばしば騒々しく主観的な監督を含んでいる。 本研究では、この設定を、エンゲージメント認識のためのポストホック衛生機構として、主観レベルマシンアンラーニングを通して研究する。
  論文  参考訳（メタデータ） (2026-05-06T10:03:06Z)
• RePAIR: Interactive Machine Unlearning through Prompt-Aware Model Repair [1.7118181664522618]
  大規模言語モデル(LLM)は、大規模ウェブコーパスでの事前学習において、有害な知識、誤情報、個人データを本質的に吸収する。 対話型機械学習(Interactive Machine Unlearning, IMU)は,LLMに推論時に自然言語で目的とする知識を忘れるように指示する新しいパラダイムである。 RePAIR は (i) 学習意図検出のための監視犬モデル, (ii) 修復手順を生成する外科医モデル, (iii) パラメータを自律的に更新する患者モデルから構成される。
  論文  参考訳（メタデータ） (2026-04-14T14:44:45Z)
• SCASRec: A Self-Correcting and Auto-Stopping Model for Generative Route List Recommendation [21.36279838596394]
  ルートレコメンデーションシステムは、高品質な順序付きレコメンデーションを生成するために、微調整と再ランクを含む多段階パイプラインを採用するのが一般的である。 ランク付けと冗長性排除を1つのエンドツーエンドプロセスに統合する統合生成フレームワークであるSCASRecを提案する。 SCASRecは、ハードサンプルに焦点を当ててリストワイズ改善をガイドするステップワイズ補正報酬(SCR)を導入し、学習可能なエンド・オブ・レコメンデーション(EOR)トークンを使用して、さらなる改善が期待されない場合に生成を適応的に終了する。
  論文  参考訳（メタデータ） (2026-02-03T09:51:58Z)
• Towards a Real-World Aligned Benchmark for Unlearning in Recommender Systems [49.766845975588275]
  推薦システムにおける非学習のためのより現実的なベンチマークの開発を導くために,設計デシダータと研究質問のセットを提案する。 我々は、現実世界の削除要求の逐次的で時間に敏感な性質を反映した、未学習のセットアップについて論じる。 本稿では,提案したdesiderataをベースとした次世代レコメンデーションセッティングの予備実験を行い,アンラーニングが逐次レコメンデーションモデルにも有効であることを確認した。
  論文  参考訳（メタデータ） (2025-08-23T16:05:40Z)
• Trajectory Balance with Asynchrony: Decoupling Exploration and Learning for Fast, Scalable LLM Post-Training [71.16258800411696]
  強化学習(Reinforcement Learning, RL)は、大規模言語モデル(LLM)のポストトレーニングにおいて重要な要素である。 ポストトレーニングに使われている既存のオンラインアルゴリズムは、経験的リプレイバッファの使用と本質的に相容れない。 本稿では,TBA(Trajectory Balance with Asynchrony)によるバッファの再生を効率よく行うことを提案する。
  論文  参考訳（メタデータ） (2025-03-24T17:51:39Z)
• Personalized Negative Reservoir for Incremental Learning in Recommender Systems [20.346543608461204]
  商用環境では、一度レコメンデーションシステムモデルがトレーニングされ、デプロイされると、新しいクライアントデータが到着すると頻繁に更新する必要があります。 新しいデータのみを微調整することは、破滅的な忘れ方という、よく文書化された問題に陥る。 本稿では,グラフベースのレコメンデーションシステムにおいて,標準的なトリプルト損失に対する負のサンプルを得るために,パーソナライズされた負の貯水池戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-06T19:08:28Z)
• Effective and Efficient Training for Sequential Recommendation using Recency Sampling [91.02268704681124]
  本稿では,新しいRecency-based Smpling of Sequencesトレーニング目標を提案する。 提案手法により拡張されたモデルにより,最先端のBERT4Recに近い性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-06T13:06:31Z)
• ADER: Adaptively Distilled Exemplar Replay Towards Continual Learning for Session-based Recommendation [28.22402119581332]
  セッションベースのレコメンデーションは最近、プライバシーの懸念が高まり、注目を集めている。 本稿では,従来のトレーニングサンプルを定期的に再生することで,ADER(Adaptively Distilled Exemplar Replay)と呼ばれる手法を提案する。 ADERは他のベースラインを一貫して上回り、更新サイクル毎にすべての履歴データを使用してメソッドを上回ります。
  論文  参考訳（メタデータ） (2020-07-23T13:19:53Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)

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。