論文の概要: Federated Semantic Residuals for Multimodal Recommendation

• arxiv url: http://arxiv.org/abs/2610.15505v1
• Date: Sun, 11 Oct 2026 10:13:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 18:16:44.389859
• Title: Federated Semantic Residuals for Multimodal Recommendation
• Title（参考訳）: マルチモーダルレコメンデーションのためのフェデレートセマンティックレコメンデーション
• Abstract要約: Federated Recommendation Systemsは、デバイス上のインタラクション履歴とそれらによるランクアイテムから協調的なスコアを学習するので、より高いスコアはより高いランクを意味する。 アイテムのテキストとイメージは、リストをリオーダできるセマンティック情報を追加する。既存のフェデレートされたマルチモーダルレコメンダ(FedMR)は、これらのコンテンツをモデルに融合させ、コンテンツがリストをリオーダする方法を曖昧にする。 本稿では,SERA(SEmantic Residual Adapter)を提案する。
• 参考スコア（独自算出の注目度）: 46.76583812557842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Recommendation Systems (FedRSs) learn collaborative scores from interaction histories on device and rank items by them, so a higher score means a higher rank. Item text and images add semantic information that can reorder the list. Existing Federated Multimodal Recommenders (FedMRs) fuse this content into their models, which can obscure how content reorders the list. We therefore propose the SEmantic Residual Adapter (SERA), which keeps content out of an existing FedRS and adds semantic residual scores to its collaborative scores. Content can then lift an item above another only when its semantic residual score exceeds the other's by more than their collaborative score gap. This score grows with the item's content similarity to the user's interaction history and is capped at a residual bound. We prove that for any content, an item can enter the list only if its collaborative score is within twice this bound of the lowest one in the list. A larger bound lets content lift more items, including irrelevant ones, so the bound trades off how far content reaches against accuracy. With a validated bound, SERA improves all three FedRSs on all six datasets without adding personalized parameters. It outperforms FedMRs in most comparisons and lifts some FedRSs above centralized baselines.
• Abstract（参考訳）: フェデレーテッド・レコメンデーション・システム(FedRS)は、デバイス上のインタラクション履歴とそれらによるランク項目から協調的なスコアを学習するので、より高いスコアはより高いランクを意味する。 アイテムテキストとイメージは、リストを並べ替えることができるセマンティック情報を追加する。 既存のFederated Multimodal Recommenders (FedMRs)は、これらのコンテンツをモデルに融合させ、コンテンツがどのようにリストを再注文するかを曖昧にする。 そこで我々は,既存のFedRSからコンテンツを取り除き,協調的なスコアにセマンティック残留スコアを追加するセマンティック残留適応器(SERA)を提案する。 コンテントは、セマンティックな残差スコアが協調的なスコアギャップを超える場合のみ、アイテムを他のアイテムの上に持ち上げることができる。 このスコアは、ユーザのインタラクション履歴に類似したアイテムの内容で成長し、残りバウンダリでキャップされる。 任意のコンテンツに対して、アイテムがリストの最低値の2倍の範囲内にある場合のみ、アイテムがリストに入力できることを証明します。 より大きなバウンドによって、コンテンツは関連のないものを含め、より多くのアイテムを持ち上げることができる。 検証されたバウンダリで、SERAはパーソナライズされたパラメータを追加することなく、6つのデータセットすべてで3つのFedRSをすべて改善する。 ほとんどの比較ではFedMRよりも優れており、中央集権ベースライン以上のFedRSを引き上げている。

関連論文リスト

• Retrieving Complementary Evidence for Multi-Hop RAG with Semantic Gain Graphs [35.03045275871606]
  マルチホップ検索強化世代(RAG)は、証拠が組み合わせて有用である文書を見つける必要がある。 SG$2$RAGは、セマンティックゲインによるこの相補性を表すフレームワークである。 オンラインで管理されたパーソナライズされたPageRankは、クエリ関連シードから始まり、最初の検索セットを超えて補完的な証拠をランク付けする。
  論文  参考訳（メタデータ） (2026-10-11T02:30:20Z)
• FFBL-Coop: Association-Decoupled Cooperative 3D Multi-Object Tracking [0.0]
  ヒューズファーストであるFFBL-Coopは、インスタンスの入力をアイデンティティ管理から分離する後続のフレームワークである。 CSA(Confidence-ranked Slot Admission)は、信頼度と空間的近接度を用いて、利用可能なエゴスロットに協調的なクエリを割り当てる。 CoopはV2X-Seqで0.611/0.548、Griffin-25Mで0.688/0.653のAMOTA/APを達成する。
  論文  参考訳（メタデータ） (2026-10-01T14:16:55Z)
• V-Rubrics: Visual Faithfulness via Rubric-Based Reinforcement Learning [59.47823383593251]
  視覚サンプルモデルでは、視覚的証拠が不十分な流動的な答えを生み出すことができる。 本稿では,参照応答を原子命題に分解するVisuals-Based Reinforcement Learningを紹介する。 我々は,コンポーネントワイド,プレフィックスローカライズされたルーリッククレジットを用いて,同じSFTチェックポイントに基づいてモデルをトレーニングする。
  論文  参考訳（メタデータ） (2026-08-26T09:40:46Z)
• SISA-Rec: A Semantically Integrated Sequential Recommender with Contrastive Alignment [0.0]
  セマンティックコンテキストを直接逐次モデリングに組み込むトランスフォーマーベースのフレームワークであるSISA-Recを紹介する。 当社のアプローチでは,アイテムIDの埋め込みとBERTベースのテキスト埋め込みをゲート融合モジュール経由で融合する。 ベイジアン・パーソナライズド・ランキング(BPR)とコントラストアライメント・アライメント・ロスを組み合わせた共同学習の目的は、基礎となる行動空間と意味空間を整合させる。
  論文  参考訳（メタデータ） (2026-07-13T07:03:51Z)
• SMILE: SeMantic Ids Enhanced CoLd Item Representation for Click-through Rate Prediction in E-commerce SEarch [23.064077881704105]
  セマンティックIDの融合アライメントに基づくアイテム表現拡張手法SMILEを提案する。 具体的には、RQ-OPQエンコーディングを用いてアイテムの内容と協調情報を定量化し、2段階のアライメントを行う。
  論文  参考訳（メタデータ） (2025-10-14T14:58:50Z)
• Federated Vision-Language-Recommendation with Personalized Fusion [48.25209840295838]
  本稿では、ユーザ固有の視覚言語表現の融合のために特別に設計されたフェデレーションVLRフレームワークであるFedVLRを紹介する。 提案したFedVLRの有効性を7つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2024-10-11T03:10:09Z)
• Multi-task Item-attribute Graph Pre-training for Strict Cold-start Item Recommendation [71.5871100348448]
  ColdGPTは、アイテム内容からきめ細かい属性を抽出することにより、アイテム属性相関をアイテム属性グラフにモデル化する。 ColdGPTは、さまざまな利用可能なデータソース、すなわちアイテムの内容、過去の購入シーケンス、既存のアイテムのレビューテキストから、知識をアイテム属性グラフに転送する。 大規模な実験により、ColdGPTは既存のSCSレコメンデーターを大きなマージンで一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-06-26T07:04:47Z)
• Sequential Recommendation with Auxiliary Item Relationships via Multi-Relational Transformer [74.64431400185106]
  逐次レコメンデーション(SR)のための補助項目関係をモデル化可能なマルチリレーショナルトランスを提案する。 具体的には,任意の項目関係と項目関係の重み付けを組み込んだ新たな自己注意モジュールを提案する。 第3に、シーケンス間アイテム関係ペアに対して、新しいシーケンス間アイテムモデリングモジュールを導入する。
  論文  参考訳（メタデータ） (2022-10-24T19:49:17Z)
• Integrating Rankings into Quantized Scores in Peer Review [61.27794774537103]
  ピアレビューでは、レビュアーは通常、論文のスコアを提供するように求められます。 この問題を軽減するため、カンファレンスはレビュアーにレビューした論文のランキングを付加するように求め始めている。 このランキング情報を使用するための標準的な手順はなく、エリアチェアは異なる方法でそれを使用することができる。 我々は、ランキング情報をスコアに組み込むために、原則化されたアプローチを取る。
  論文  参考訳（メタデータ） (2022-04-05T19:39:13Z)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。