論文の概要: A Systematic Benchmark of Explainable Methods for Temporal Attribution in Sequential Recommendation Systems

• arxiv url: http://arxiv.org/abs/2609.27201v1
• Date: Wed, 23 Sep 2026 01:07:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.814614
• Title: A Systematic Benchmark of Explainable Methods for Temporal Attribution in Sequential Recommendation Systems
• Title（参考訳）: シークエンシャルレコメンデーションシステムにおける時間帰属のための説明可能な手法の体系的ベンチマーク
• Abstract要約: シークエンシャル RecSys は現代のパーソナライズの中心であり、ユーザの過去のインタラクションシーケンスを利用して次のステップを決定する。 透明性と信頼のためには、過去のインタラクションが与えられたレコメンデーションを促進することを理解することがますます重要です。 我々は、KuaiRandとMovieLensのCNN、Transformer、SASRec、BERT4Recのバックボーンに10のXAIメソッドをベンチマークする。
• 参考スコア（独自算出の注目度）: 2.65140416377418
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential RecSys are central to modern personalization, exploiting user's historical interaction sequences to drive next-step decisions. Deep learning models, particularly CNN and Transformer-based architectures, have proven highly effective at capturing temporal dependencies in these histories. For transparency and trust, understanding which past interactions drive a given recommendation is increasingly important --- both for developers auditing model behavior and for users seeking a rationale. However, the non-linearities that give these models their predictive power also render them black boxes, making it difficult to attribute decisions to specific interactions. While gradient-based, perturbation-based, and attention-based explainability methods exist, a systematic benchmark of their faithfulness for sequential recommendation is missing. We address this gap by introducing a dual-model masking metric in which one model supplies per-timestep attribution scores and a separately trained, masking-robust probe measures the resulting change in predicted probability. Using this metric, we benchmark ten XAI methods across CNN, Transformer, SASRec, and BERT4Rec backbones on KuaiRand and MovieLens, complemented by analyses of temporal attribution patterns, item popularity confounding, and robustness to input corruption. Our key findings are: (1) gradient-based methods, particularly GradientSHAP and Integrated Gradients, yield the most faithful and robust attributions; (2) raw attention weights are unreliable, but gradient-weighted attention restores faithfulness on shorter sequences, with degradation on longer horizons as softmax attention probabilities converge toward uniform importance scores, diminishing the method's ability to identify informative interactions; and (3) temporal attribution patterns in faithful methods reflect genuine task structure rather than recency or popularity bias.
• Abstract（参考訳）: シークエンシャル RecSys は現代のパーソナライズの中心であり、ユーザの過去のインタラクションシーケンスを利用して次のステップを決定する。 ディープラーニングモデル、特にCNNとTransformerベースのアーキテクチャは、これらの履歴の時間的依存関係をキャプチャするのに非常に効果的であることが証明されている。 透明性と信頼のためには、過去のインタラクションが与えられたレコメンデーションを促進するかを理解することがますます重要になります。 しかし、これらのモデルに予測能力を与える非線形性もまたブラックボックスをレンダリングするので、決定を特定の相互作用に関連付けることは困難である。 勾配に基づく、摂動に基づく、注意に基づく説明可能性の手法は存在するが、逐次勧告に対する忠実性の体系的なベンチマークは欠落している。 このギャップを解消するために,1つのモデルがタイムステップ毎の帰属スコアと個別に訓練されたマスキング・ロバストプローブを供給し,その結果の予測確率の変化を計測する2モデルマスキング指標を導入する。 この測定値を用いて,CNN,Transformer,SASRec,BERT4RecのバックボーンをKuaiRandとMovieLensでベンチマークし,時間的帰属パターンの分析,アイテムの人気の相違,入力汚職に対する堅牢性の検証を行った。 その結果,(1)勾配に基づく手法,特にグラディエントSHAPと統合グラディエントは,最も忠実で堅牢な属性を導き,(2)生の注意重みは信頼性が低いが,勾配重み付けされた注意重みは短い列に忠実さを回復させ,軟質な重み付けの確率が一様重要性のスコアに収束し,その方法が情報的相互作用を識別する能力が低下する,(3)忠実な手法における時間的帰属パターンは,相対性や人気バイアスよりも真のタスク構造を反映する,という結果が得られた。

関連論文リスト

• Guidance for Prior Change via Density Ratio Estimation [5.018167017476858]
  PriorGuideは推論時のガイダンス手法として導入された。 本稿では、密度比推定(DRE)を利用してスコアガイダンス項を学習する、バイアスのないテストタイムガイダンスフレームワークを提案する。 我々の手法は、ほとんどのタスクにおいて、C2STとMDDのPrediorGuideと一致または優れています。
  論文  参考訳（メタデータ） (2026-08-22T02:17:41Z)
• Think2Go: Generative Next POI Recommendation with LLM Reasoning [57.37706163990998]
  Next Point-of-Interest (POI)レコメンデーションタスクは、ユーザの行動選好パターンを過去のチェックインからマイニングすることに焦点を当て、次の目的地へのパーソナライズされた提案を提供する。 既存の手法は、次のPOIを予測するために、浅いコンテキスト情報と手作りの特徴相互作用に依存している。 本稿では,SID表現の理解を深め,テスト時間計算による多様な時空間パターンを探索する新しい次世代POIレコメンデーションフレームワークThink2Goを提案する。
  論文  参考訳（メタデータ） (2026-07-31T03:52:20Z)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection [1.8995711908407733]
  本研究では,異常検出のための因果制約付き確率予測フレームワークを提案する。 ディープ・シークエンス・モデリングに先立って、明示的な時間付き因果グラフを統合する。 実験により,提案手法が最先端検出性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-20T09:24:28Z)
• Learn to Rank: Visual Attribution by Learning Importance Ranking [58.69028273772474]
  コンピュータビジョンモデルのための視覚属性マップを生成する新しい手法を提案する。 提案手法は, 任意の数段階の勾配補正を施した1つの前方通過において, 密度の高い画素レベルの属性を生成する。 我々の実験は、一貫した定量的改善と、よりシャープで境界に沿った説明を示す。
  論文  参考訳（メタデータ） (2026-04-07T12:53:22Z)
• Abstain Mask Retain Core: Time Series Prediction by Adaptive Masking Loss with Representation Consistency [4.047219770183742]
  時系列予測はエネルギー管理や金融市場といった重要な領域において重要な役割を担っている。 本研究は, 履歴データを適切に切り詰めることによって予測精度を向上させるという, 直感に反する現象を明らかにする。 本稿では,適応的マスキング・ロス(Adaptive Masking Loss)と表現整合性(Representation Consistency)を提案する。
  論文  参考訳（メタデータ） (2025-10-22T19:23:53Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Beyond Model Ranking: Predictability-Aligned Evaluation for Time Series Forecasting [18.018179328110048]
  スペクトルコヒーレンスに基づく予測可能性整合診断フレームワークを提案する。 予測可能性ドリフト(predictability drift, 予測可能性ドリフト)の最初の体系的な証拠として, タスクの予測困難度が時間とともに急激に変化することを示す。 複雑なモデルは予測可能性の低いデータより優れているのに対し、線形モデルは予測可能なタスクに非常に効果的である。
  論文  参考訳（メタデータ） (2025-09-27T02:56:06Z)
• Learning Temporal Saliency for Time Series Forecasting with Cross-Scale Attention [5.992220383989106]
  パッチベースのクロスアテンション機構とマルチスケール処理を組み合わせた,革新的なアーキテクチャであるCrossScaleNetを提案する。 本評価は,時間的塩分濃度検出と予測精度の両方において優れた性能を示す。
  論文  参考訳（メタデータ） (2025-09-26T18:43:51Z)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)

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。