論文の概要: No Attention, No Problem: Rethinking Session-based Recommendation with Pure Convolution

• arxiv url: http://arxiv.org/abs/2609.34802v1
• Date: Mon, 28 Sep 2026 10:07:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 02:43:15.048153
• Title: No Attention, No Problem: Rethinking Session-based Recommendation with Pure Convolution
• Title（参考訳）: 注意せず、問題なく: 純粋な畳み込みによるセッションベースの勧告を再考する
• Abstract要約: セッションベースのレコメンデーション(SBR)は、最近のインタラクションを分析することで、セッションにおける次の選択を予測する。 トランスフォーマーベースのモデルは、セルフアテンション機構を通じて長距離依存をキャプチャする能力があるため、広く利用されている。 本稿では,SBRタスクのための次世代Pure Convolutional Framework(NextConvRec)を提案する。
• 参考スコア（独自算出の注目度）: 9.76750472863109
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Session-based recommendation (SBR) predicts the next choice in a session by analyzing recent interactions. Transformer-based models are widely used because of their ability to capture long-range dependencies through self-attention mechanisms. In contrast, traditional convolutional models, although more efficient, are often limited by their weak global modeling capabilities and are losing ground in SBR tasks. In this work, we propose a Next-generation Pure Convolutional Framework (NextConvRec) for SBR tasks, aiming to balance efficiency and performance. NextConvRec uses a Structural and Positional Convolutional Encoder (SPCE) for preprocessing, combining learnable convolutional positional biases with session-level structural signals extracted through GCN layers. Its backbone convolutional module effectively expands the effective receptive field through depthwise convolutions and pointwise convolutions, enabling robust long-range preference modeling without attention mechanisms. Extensive experiments on 4 benchmark datasets show that NextConvRec outperforms several state-of-the-art baselines by around 1.73% on average, and reduces the average inference time per session by 16.7%. The convolutional architectures remain a promising direction for efficient and accurate session-based recommendations.
• Abstract（参考訳）: セッションベースのレコメンデーション(SBR)は、最近のインタラクションを分析することで、セッションにおける次の選択を予測する。 トランスフォーマーベースのモデルは、セルフアテンション機構を通じて長距離依存をキャプチャする能力があるため、広く利用されている。 対照的に、従来の畳み込みモデルはより効率的であるが、弱いグローバルモデリング能力によって制限されることが多く、SBRタスクの基盤を失っている。 本研究では,SBRタスクのための次世代Pure Convolutional Framework(NextConvRec)を提案する。 NextConvRecは、事前処理に構造的および位置的畳み込みエンコーダ(SPCE)を使用し、学習可能な畳み込み位置バイアスとGCN層から抽出されたセッションレベルの構造信号を組み合わせる。 バックボーンの畳み込みモジュールは、奥行きの畳み込みや点の畳み込みを通じて効果的な受容場を効果的に拡張し、注意機構のない堅牢な長距離選好モデリングを可能にする。 4つのベンチマークデータセットの大規模な実験によると、NextConvRecはいくつかの最先端ベースラインを平均1.73%上回り、セッション当たりの平均推論時間を16.7%削減している。 畳み込みアーキテクチャは、効率的で正確なセッションベースのレコメンデーションのための有望な方向のままである。

関連論文リスト

• SATB-VR: Training Few-Step Video Restoration Diffusion Model using SNR-Aware Trajectory Blending [55.764018145256216]
  本稿では,補助予測器を介してデノナイジングプロセスを開始する数ステップのパラダイムであるSATB-VRを提案する。 我々は,SATB-VRが,合成,実世界,AIGCベンチマークにおける既存のアプローチに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2026-06-27T01:32:16Z)
• Domain-Incremental Continual Learning for Robust and Efficient Keyword Spotting in Resource Constrained Systems [0.0]
  キーワード エッジデバイスにデプロイされる小さなフットプリントモデルを備えたスポッティングシステムは、かなりの精度と堅牢性に直面する。 計算効率を維持しつつ,新しい領域に適応する継続的学習のための包括的フレームワークを提案する。 提案したパイプラインは、Mel Frequency Cepstral Coefficients(MFCC)とMel-spectrogram機能の両方を利用して、デュアルインプットの畳み込みニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2026-01-22T17:59:31Z)
• WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
  本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。 WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。 私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-23T16:02:06Z)
• SCoRE: Streamlined Corpus-based Relation Extraction using Multi-Label Contrastive Learning and Bayesian kNN [0.2812395851874055]
  本稿では,モジュール型かつ費用対効果の高い文レベルの関係抽出システムであるSCoREを紹介する。 SCoREは簡単なPLMスイッチングを可能にし、微調整を必要とせず、多様なコーパスやKGにスムーズに適応する。 SCoREは, エネルギー消費を大幅に削減しつつ, 最先端の手法に適合するか, 超越しているかを示す。
  論文  参考訳（メタデータ） (2025-07-09T14:33:07Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Bi-directional Recurrence Improves Transformer in Partially Observable Markov Decision Processes [5.220940151628735]
  本研究は, サンプル効率を改善し, POMDP シナリオにおけるモデルパラメータ数を削減した, 新たなバイリカレントモデルアーキテクチャを提案する。 提案したモデルアーキテクチャは、既存のトランスフォーマーベース、注意ベース、再発ベースの手法を平均87.39%から482.04%のマージンで上回っている。
  論文  参考訳（メタデータ） (2025-05-16T11:54:48Z)
• EchoMamba4Rec: Harmonizing Bidirectional State Space Models with Spectral Filtering for Advanced Sequential Recommendation [0.0]
  制御理論は、長期依存の管理に状態空間モデル(SSM)を使うことを強調している。 本研究では,EchoMamba4Recを紹介した。 EchoMambaは既存のモデルよりも優れており、より正確でパーソナライズされたレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2024-06-04T09:07:58Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• A Generic Network Compression Framework for Sequential Recommender Systems [71.81962915192022]
  シークエンシャルレコメンデーションシステム(SRS)は,ユーザの動的関心を捉え,高品質なレコメンデーションを生成する上で重要な技術となっている。 CpRecと呼ばれる圧縮されたシーケンシャルレコメンデーションフレームワークを提案する。 大規模なアブレーション研究により、提案したCpRecは実世界のSRSデータセットにおいて最大4$sim$8倍の圧縮速度を達成できることを示した。
  論文  参考訳（メタデータ） (2020-04-21T08:40:55Z)

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。