論文の概要: Anatomy of a Decision: Uncertainty-aware Hierarchical Intent Learning via Flow Matching for Multimodal Recommendation
- arxiv url: http://arxiv.org/abs/2609.29609v1
- Date: Sun, 30 Aug 2026 12:20:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:56.085119
- Title: Anatomy of a Decision: Uncertainty-aware Hierarchical Intent Learning via Flow Matching for Multimodal Recommendation
- Title（参考訳）: 意思決定の解剖:マルチモーダル・レコメンデーションのためのフローマッチングによる不確実性を考慮した階層型インテント学習
- Abstract要約: 本稿では,不確実性を考慮した階層型インテント学習フレームワークであるUHIFlowを提案する。
まず、我々のCUSMモジュールは条件付きフローマッチングを利用して、視覚的・テキスト的モダリティから不確実性を定量化する。
第二に、Uncertainty-guided Hierarchical Intent Generation (UHIG)モジュールは、この定量化された不確実性を利用して、パーソナライズされた意図階層を動的に構築する。
- 参考スコア（独自算出の注目度）: 7.01148479642898
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling the underlying user intent is crucial for recommendation, but existing methods struggle with the inherent uncertainty and the dynamic, hierarchical nature of user interests. Current approaches often rely on clustering or prototype learning to discover a static set of intents. However, they face two critical challenges: (1) they overlook the uncertainty inherent in multimodal features; and (2) they assume a static and flat intent structure, failing to adapt to a user's varying decision certainty. To address these limitations, we propose UHIFlow, an Uncertainty-aware Hierarchical Intent learning framework via Flow matching. First, our Cross-modal Uncertainty Synergistic Modeling (CUSM) module leverages conditional flow matching to quantify uncertainty from visual and textual modalities and synergistically align them. Subsequently, the Uncertainty-guided Hierarchical Intent Generation (UHIG) module uses this quantified uncertainty to dynamically construct a personalized intent hierarchy, generating coarse-grained intents for uncertain users and fine-grained ones for users with clear preferences. Extensive experiments on three real-world datasets demonstrate that UHIFlow significantly outperforms state-of-the-art baselines.
- Abstract（参考訳）: 基礎となるユーザの意図をモデル化することは推奨に不可欠ですが、既存のメソッドは、固有の不確実性と、ユーザ関心の動的で階層的な性質に苦慮しています。
現在のアプローチは、静的なインテントを見つけるために、クラスタリングやプロトタイプ学習に依存していることが多い。
しかし,1)マルチモーダルな特徴に固有の不確実性を見落とし,(2)静的かつ平坦な意図構造を仮定し,ユーザのさまざまな決定の確実性に適応できない,という2つの重要な課題に直面している。
これらの制約に対処するため,フローマッチングによる不確実性を考慮した階層型インテント学習フレームワークであるUHIFlowを提案する。
まず、我々のCUSMモジュールは条件付きフローマッチングを利用して、視覚的およびテキスト的モダリティから不確実性を定量化し、それらを相乗的に整合させる。
その後、Uncertainty-guided Hierarchical Intent Generation (UHIG)モジュールは、この定量化された不確実性を利用して、パーソナライズされたインテント階層を動的に構築し、不確実なユーザのための粗粒度のインテントと、明確な好みを持つユーザのためのきめ細かいインテントを生成する。
3つの実世界のデータセットに対する大規模な実験は、UHIFlowが最先端のベースラインを大幅に上回っていることを示している。
関連論文リスト
- MURAL: Multimodal Uncertainty-aware Recommendation via Adaptive edge Learning [8.921188716837312]
muraLは、固定構造拡張から動的トポロジー発見へ、マルチモーダルレコメンデーションをシフトする統合フレームワークである。
構造的剛性に対処するために、Adaptive Edge Learnerは、識別可能な検索強化戦略と近似した近接探索を組み合わせることで、潜時アイテム-イテム相関を発見する。
意味的脆弱性に対処するため、不確実性認識融合モジュールは、不均一なモーダル性のアレター的不確かさをモデル化し、動的に重み付け不能な特徴をモデル化する。
論文 参考訳（メタデータ） (2026-09-04T00:06:53Z) - Behavior-Aware Dual-Channel Preference Learning for Heterogeneous Sequential Recommendation [18.573543141847317]
不均一シーケンシャルレコメンデーション(HSR)は、ユーザとイテムの相互作用の多様な振る舞いから動的行動依存を学習し、正確なシーケンシャルレコメンデーションを促進することを目的としている。
重要な問題のひとつは、実世界のデータの本質的な疎さであり、レコメンデーションのパフォーマンスが低下する可能性があることだ。
我々は、行動認識型デュアルチャネル優先学習フレームワークを慎重に設計した。
論文 参考訳（メタデータ） (2026-04-16T03:20:11Z) - U$^{2}$Flow: Uncertainty-Aware Unsupervised Optical Flow Estimation [18.3748504668909]
教師なし光学流法は、信頼性の高い不確実性推定を欠き、その堅牢性と解釈可能性を制限する。
U$2$Flowは、光の流れと画素ごとの不確実性を共同で推定する最初の再帰的非教師付きフレームワークである。
論文 参考訳（メタデータ） (2026-04-11T06:40:22Z) - Explicit Uncertainty Modeling for Active CLIP Adaptation with Dual Prompt Tuning [51.99383151474742]
デュアルプロンプトチューニングに基づくアクティブCLIP適応のためのロバストな不確実性モデリングフレームワークを提案する。
提案手法は,同一のアノテーション予算の下で,既存のアクティブラーニング手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2026-02-04T09:01:55Z) - From Sparse Decisions to Dense Reasoning: A Multi-attribute Trajectory Paradigm for Multimodal Moderation [59.27094165576015]
疎度な意思決定から高密度な推論トレースへ移行する新しい学習パラダイム(UniMod)を提案する。
モノリシックな意思決定タスクを多次元境界学習プロセスに再構成し,エビデンス,モダリティ評価,リスクマッピング,政策決定,応答生成を含む構造化軌道を構築する。
タスク固有のパラメータを分離し、トレーニングダイナミクスを再バランスさせ、マルチタスク学習における多様な目的間の干渉を効果的に解消する、特別な最適化戦略を導入する。
論文 参考訳（メタデータ） (2026-01-28T09:29:40Z) - DeLeaker: Dynamic Inference-Time Reweighting For Semantic Leakage Mitigation in Text-to-Image Models [55.30555646945055]
テキスト・ツー・イメージ(T2I)モデルはセマンティック・リークに対して脆弱である。
DeLeakerは、モデルのアテンションマップに直接介入することで、漏洩を緩和する軽量なアプローチである。
SLIMはセマンティックリークに特化した最初のデータセットである。
論文 参考訳（メタデータ） (2025-10-16T17:39:21Z) - Sycophancy Mitigation Through Reinforcement Learning with Uncertainty-Aware Adaptive Reasoning Trajectories [58.988535279557546]
適応推論トラジェクトリを用いたtextbf sycophancy Mitigation を提案する。
SMARTは,分布外の入力に対して強い性能を維持しながら,サイコファンティクスの挙動を著しく低下させることを示した。
論文 参考訳（メタデータ） (2025-09-20T17:09:14Z) - Unified Representation Learning for Multi-Intent Diversity and Behavioral Uncertainty in Recommender Systems [6.438278082601862]
本稿では,レコメンデーションシステムにおけるユーザ意図の多様性と行動の不確実性を共同でモデル化することの課題に対処する。
このフレームワークはマルチインテント表現モジュールと不確実性モデリング機構を構築している。
ユーザ行動系列から多粒性関心構造を抽出する。
論文 参考訳（メタデータ） (2025-09-04T22:53:38Z) - Uncertainty-driven Embedding Convolution [16.523816971857787]
不確実性駆動型埋め込み畳み込み(UEC)を提案する。
UECは決定論的埋め込みをポストホックな方法で確率論的に変換する。
その後、埋め込みの不確実性に基づいて適応アンサンブル重みを計算する。
論文 参考訳（メタデータ） (2025-07-28T11:15:25Z) - Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。
本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。
この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
論文 参考訳（メタデータ） (2024-11-03T17:32:00Z)
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。