論文の概要: When History Misleads: Asymmetric Margin Supervision for Instruction-Guided LLM Generative Recommendation

• arxiv url: http://arxiv.org/abs/2610.02600v1
• Date: Thu, 01 Oct 2026 23:53:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.129288
• Title: When History Misleads: Asymmetric Margin Supervision for Instruction-Guided LLM Generative Recommendation
• Title（参考訳）: 歴史が過ちをきたすとき:教育指導によるLLM生成勧告のための非対称マージンスーパービジョン
• Abstract要約: 個人史イベントの効果を監督する上での障害が2つあることを示す。 より高い目標スコアだけでは、より良いランキングを保証しません。 非対称干渉誘導マージンスーパービジョン(AIMS)を提案する。
• 参考スコア（独自算出の注目度）: 47.924444934719894
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In instruction-guided generative recommendation, LLM-based recommenders need to balance two goals: responding to the user's current request and aligning with the preferences in their interaction history. When the two conflict, history events can override the request. We show that turning the effect of individual history events into supervision faces two obstacles. First, the events that most influence a recommendation are not necessarily the ones that support the target item. Second, removing a misleading event can raise the target's score but a competing item's score even more, so a higher target score alone does not guarantee a better ranking. We propose Asymmetric Intervention-Guided Margin Supervision (AIMS), which converts the effect of removing individual history events into ranking supervision. For training requests already ranked correctly, a frozen reference model identifies request-specific deletions that improve both the target's score and its margin over a competitor near the recommendation cutoff. These margins serve as training targets, while the complete history is retained as input. Training combines cross-entropy with an asymmetric auxiliary loss that penalizes margin shortfalls and routes its gradient only through the competitor score. Inference is unchanged, requiring no history editing or deletion search. Across six LLM backbones on an industrial dataset and two public benchmarks, AIMS improves Recall and NDCG over strong baselines. Ablations support request-specific margins and asymmetric supervision, and the selected deletions preferentially remove constraint-violating history.
• Abstract（参考訳）: 命令誘導型生成レコメンデーションでは、LLMベースのレコメンデーションは、ユーザの現在の要求に応答し、インタラクション履歴の好みと整合する2つの目標のバランスをとる必要がある。 2つの競合が発生した場合、履歴イベントはリクエストをオーバーライドすることができる。 個人史イベントの効果を監督する上での障害が2つあることを示す。 まず、リコメンデーションに最も影響を与えるイベントは、必ずしもターゲットアイテムをサポートするイベントではない。 第二に、誤解を招くイベントを取り除くことで、目標のスコアを上げることができるが、競合するアイテムのスコアはさらに高くなるため、より高い目標スコアだけではより良いランキングを保証することができない。 非対称干渉ガイドマージンスーパービジョン(AIMS)を提案する。 既にランク付けされているトレーニング要求に対して、凍結参照モデルは、リコメンデーションカットオフ近くの競合よりもターゲットのスコアとマージンの両方を改善する要求固有の削除を特定する。 これらのマージンはトレーニングターゲットとして機能し、完全な履歴は入力として保持される。 トレーニングは、クロスエントロピーと非対称の補助損失を組み合わせることで、マージンの不足をペナルティ化し、その勾配を競合のスコアを通してのみルーティングする。 推論は変更されず、履歴編集や削除検索は不要である。 産業データセット上の6つのLLMバックボーンと2つの公開ベンチマークで、AIMSは強力なベースラインよりもRecallとNDCGを改善している。 アブレーションはリクエスト固有のマージンと非対称な監視をサポートし、選択された削除は、優先的に制約違反履歴を削除する。

関連論文リスト

• Reasoning with Evidence, Not Merely Rationales: Verifiable Preference Proofs for LLM-Based Recommendation [7.128676238207731]
  大規模な言語モデルは、インタラクション履歴とレビューからユーザの好みを推測することができる。 選好請求は,その選択された証拠によって弱く支持されるか,最終順位にはほとんど影響しない。 本稿では,LLMに基づく推薦において,選好推論を検証するためのフレームワークであるPROVE-RECを紹介する。
  論文  参考訳（メタデータ） (2026-10-02T08:05:43Z)
• QReason: Query-Focused Decoupled Chain-of-Thought for Efficient Passage Reranking [14.066309229790564]
  パッセージリランクは情報検索において重要な役割を担い、関連性をよりよく反映するために候補経路の順序を精査する。 既存のリストワイズLLMリランカとChain-of-Thought(CoT)推論は複雑なクエリを効果的に処理できるが、スライディングウインドウ戦略によるかなりの冗長性と遅延に悩まされている。 QReasonは、クエリ中心の推論をウィンドウ固有のパス関連性評価から分離する、分離されたフレームワークである。
  論文  参考訳（メタデータ） (2026-09-25T07:13:09Z)
• Recommendation World Models for Future-State Control [53.191633845200876]
  我々は、訓練されたランク付け者が将来の結果についての意思決定を支援する方法について研究する。 UA-TWM(UA-TWM)は,近傍のスレート動作を構成するユーティリティアンコールなワールドモデルインタフェースである。 本研究は,MovieLens-25MとKuaiRand-Pureにおける12の逐次バックボーン間の移動と,KuaiSimにおけるターゲット指向インタラクションの繰り返しを評価する。
  論文  参考訳（メタデータ） (2026-09-25T02:37:48Z)
• CiPO: Counterfactual Unlearning for Large Reasoning Models through Iterative Preference Optimization [54.774620283208776]
  大きな推論モデル(LRM)は、複雑な問題に対処するための長いチェーン・オブ・シント(CoT)推論を強調する。 既存の方法は、CoTトレースから望ましくない知識を完全に排除するか、推論プロセスへの干渉によって推論性能を低下させるかのいずれかである。 LRMにおけるCoT推論の目的的介入として、非学習を再定義する新しいフレームワークである反復的選好最適化(CiPO)を通じて、対実的アンラーニングを導入する。
  論文  参考訳（メタデータ） (2026-04-17T08:56:36Z)
• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• Making Large Language Models Better Reasoners with Alignment [57.82176656663245]
  推論(Reasoning)とは、証拠を使って結論に達する認知過程である。 近年の研究では、思考の連鎖(COT)推論プロセスによるデータ上の微調整LDMは、その推論能力を著しく向上させることができることが示されている。 テキストアライメントファインチューニング(AFT)パラダイムを3ステップで導入する。
  論文  参考訳（メタデータ） (2023-09-05T11:32:48Z)

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。