論文の概要: Eval4DiRec: A Unified and Systematic Evaluation Framework for Diffusion-based Recommender Systems

• arxiv url: http://arxiv.org/abs/2609.34404v1
• Date: Mon, 28 Sep 2026 06:16:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 21:03:54.865768
• Title: Eval4DiRec: A Unified and Systematic Evaluation Framework for Diffusion-based Recommender Systems
• Title（参考訳）: Eval4DiRec:拡散型レコメンダシステムのための統一的で体系的な評価フレームワーク
• Abstract要約: Eval4DiRecは拡散型RSに特化して設計された最初の統一オープンソースの評価フレームワークである。 Eval4DiRecは5つの異なるレコメンデーションシナリオで14の代表的な拡散ベースのRSモデルをサポートしている。 我々は、これらのモデルを統一されたプロトコルの下でベンチマークするために、広範な実証的研究を行う。
• 参考スコア（独自算出の注目度）: 23.846522879696284
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Leveraging the strong generative capabilities and stable training dynamics of diffusion models, diffusion-based recommender systems (RSs) have recently emerged as a novel recommendation paradigm, attracting increasing attention from both academia and industry. However, despite the rapid growth of diffusion-based RSs, a critical issue has emerged: the lack of a unified and systematic quantitative evaluation benchmark, which often results in irreproducible experimental results and unfair comparisons across studies due to inconsistent data processing, training configurations, inference procedures, and evaluation protocols. To address this challenge, we propose Eval4DiRec, the first unified and open-source evaluation framework specifically designed for diffusion-based RSs. Eval4DiRec supports 14 representative diffusion-based RS models across five different recommendation scenarios, providing consistent and reproducible experimental settings to systematically assess their performance. Built upon this framework, we conduct extensive empirical studies to benchmark these models under unified protocols. The results highlight the strong potential of diffusion models for recommendation while also revealing key factors and practical challenges that substantially affect their performance, thereby establishing a solid foundation to facilitate fair evaluation and guide future research in this promising field. Our code and data are available at: https://github.com/wangcong2001/Eval4DiRec.
• Abstract（参考訳）: 拡散モデルによる強力な生成能力と安定したトレーニングのダイナミクスを活用して、拡散ベースレコメンデータシステム(RS)は近年、新しい推奨パラダイムとして登場し、アカデミックと産業の双方から注目を集めている。 統一的かつ体系的な定量的評価ベンチマークが欠如していることは、不整合データ処理、トレーニング構成、推論手順、評価プロトコルなどによる、研究全体での予測不可能な実験結果と不公平な比較をもたらすことがしばしばある。 この課題に対処するため,拡散型RSに特化して設計された最初の統一およびオープンソース評価フレームワークであるEval4DiRecを提案する。 Eval4DiRecは5つの推奨シナリオで14の代表的な拡散ベースのRSモデルをサポートし、そのパフォーマンスを体系的に評価するための一貫性と再現可能な実験的設定を提供する。 この枠組みに基づいて、我々はこれらのモデルを統一されたプロトコルの下でベンチマークするための広範な実証的研究を行う。 その結果,提案する拡散モデルの強い可能性を強調しつつ,その性能に重大な影響を及ぼす重要な要因と実践的課題を明らかにし,公正な評価の促進と将来的な研究の指針となるしっかりとした基盤を構築した。 私たちのコードとデータは、https://github.com/wangcong2001/Eval4DiRec.comで公開されています。

関連論文リスト

• On Predicting the Post-training Potential of Pre-trained LLMs [60.07459271263409]
  本稿では,ポストトレーニング前のベースモデルの性能予測という,ポストトレーニング後の潜在能力を予測するための新しいタスクを紹介する。 本稿では,応答判別を活用することで,ベースモデルの生成ギャップを回避できる統一フレームワークであるRuDEを提案する。 実験では、トレーニング後のパフォーマンスと90%以上の相関を示す。
  論文  参考訳（メタデータ） (2026-05-12T11:33:49Z)
• Observationally Informed Adaptive Causal Experimental Design [55.998153710215654]
  本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。 このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。 合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2026-03-04T06:52:37Z)
• CE-RM: A Pointwise Generative Reward Model Optimized via Two-Stage Rollout and Unified Criteria [48.70940362676624]
  専用の2段階ロールアウト法を用いて学習したポイントワイズ生成報酬モデルCE-RM-4Bを提案する。 オープンソースの選好データセットから算出した約5.7Kの高品質データを用いて、CE-RM-4Bは様々な報奨モデルベンチマークにおいて優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-01-28T07:46:13Z)
• Learning Robust Diffusion Models from Imprecise Supervision [75.53546939251146]
  DMISは、Imrecise Supervisionから堅牢な条件拡散モデルをトレーニングするための統一されたフレームワークである。 我々のフレームワークは、可能性から派生し、その目的を生成的および分類的構成要素に分解する。 画像生成、弱教師付き学習、データセットの凝縮をカバーし、様々な形の不正確な監視実験を行い、DMISが常に高品質でクラス差別的なサンプルを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T14:00:32Z)
• Distributionally Robust Graph Out-of-Distribution Recommendation via Diffusion Model [7.92181856602497]
  OODレコメンデーション(DRGO)のための分散ロバストグラフモデルを設計する。 具体的には,遅延空間における雑音効果を軽減するために,単純かつ効果的な拡散パラダイムを用いる。 DRGOの一般化誤差境界の理論的証明と,本手法がノイズサンプル効果を緩和する理論的解析を提供する。
  論文  参考訳（メタデータ） (2025-01-26T15:07:52Z)
• How Fair is Your Diffusion Recommender Model? [17.321932595953527]
  本稿では拡散に基づく推薦の先駆的手法であるDiffRecの公正性に関する最初の実証的研究を提案する。 我々の研究では、DiffRecとその変種であるL-DiffRecが、2つのベンチマークデータセット上で9つの推奨システムに対してテストされた。 拡散モデルに関するより一般的な機械学習文献と一致した傾向を示す一方で、今後の研究における不公平問題に対処するための有望な方向性を示す。
  論文  参考訳（メタデータ） (2024-09-06T15:17:40Z)
• Unmasking Bias in Diffusion Model Training [40.90066994983719]
  拡散モデルが画像生成の主流のアプローチとして登場した。 トレーニングの収束が遅く、サンプリングのカラーシフトの問題に悩まされている。 本稿では,これらの障害は,既定のトレーニングパラダイムに固有のバイアスや準最適性に大きく起因していると考えられる。
  論文  参考訳（メタデータ） (2023-10-12T16:04:41Z)

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。