論文の概要: OT-FlowRec: Optimal Transport-Guided Multi-Bridge Flow for Multimodal Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2610.16038v1
- Date: Mon, 12 Oct 2026 01:23:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.285538
- Title: OT-FlowRec: Optimal Transport-Guided Multi-Bridge Flow for Multimodal Sequential Recommendation
- Title（参考訳）: OT-FlowRec:マルチモーダルシーケンスレコメンデーションのための最適輸送誘導型マルチブリッジフロー
- Abstract要約: OT-FlowRecは最適なトランスポート誘導型マルチブリッジフローマッチングフレームワークである。
マルチモーダルシーケンシャルなレコメンデーションを促進するために、明示的に多目的分布をモデル化する。
OT-FlowRecは既存の最先端ベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 3.2037844760083476
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: E-commerce user preferences evolve dynamically within sessions, exhibiting concurrent and multi-centric interest distributions. While existing multimodal sequential recommendation methods leverage global attention to compress historical interactions, they inadequately capture the concurrent nature of multi-interest behaviors and fail to model the underlying multi-centric distribution of user intent. To tackle this issue, we propose OT-FlowRec, an optimal transport-guided multi-bridge flow matching framework that explicitly models multi-interest distributions to facilitate multimodal sequential recommendation. Unlike single-path generative models, OT-FlowRec constructs a mixture of parallel, interest-specific transport flows to model the multi-centric distribution characteristics, where each flow preserves a distinct user interest cluster via an optimal transport plan. Then, a geometric transport mechanism is designed to establish minimum-cost paths from the latent multi-interest distribution to target preference prototypes to provide multi-interest awareness. Moreover, a progressive time-sampling warmup strategy dynamically biases optimization weights toward the final states of the generation process, bridging the gap between continuous global distribution fitting and practical top-$k$ ranking metrics. This approach achieves explicit interest disentanglement, ensuring the preservation of a multi-peaked preference representation instead of collapsing it into a unimodal average. Extensive experiments on three public datasets demonstrate that OT-FlowRec outperforms existing state-of-the-art baselines.
- Abstract（参考訳）: 電子商取引ユーザーの好みはセッション内で動的に進化し、同時に多中心の関心分布を示す。
既存のマルチモーダルシーケンシャルなレコメンデーション手法は、グローバルな注意を生かして歴史的相互作用を圧縮するが、多目的行動の同時性は不十分であり、ユーザ意図のマルチ中心分布のモデル化に失敗する。
この問題に対処するために,マルチモーダルシーケンシャルレコメンデーションを促進するために,多目的分布を明示的にモデル化する最適トランスポート誘導型マルチブリッジフローマッチングフレームワークOT-FlowRecを提案する。
シングルパス生成モデルとは異なり、OT-FlowRecは並列で興味を持った輸送フローを混合して多中心分布特性をモデル化し、各フローは最適な輸送計画を通じて異なるユーザ関心クラスタを保持する。
そこで, 幾何輸送機構は, 潜在多目的分布からターゲット優先プロトタイプへの最小コスト経路を定め, マルチ利害意識を提供するように設計されている。
さらに、プログレッシブ・タイムサンプリング・ウォームアップ戦略は、最適化重みを生成プロセスの最終状態に向けて動的にバイアスし、連続的グローバル・ディストリビューション・フィッティングと実用的トップ・ドル・ランキング・メトリクスのギャップを埋める。
このアプローチは明示的な利害の絡み合いを実現し、一助平均に折り畳むのではなく、複数話者の嗜好表現の保存を確実にする。
3つの公開データセットに対する大規模な実験は、OT-FlowRecが既存の最先端ベースラインを上回っていることを示している。
関連論文リスト
- Multimodal Flow: Unified Flow Modeling of Language and Vision in Embedding Spaces [78.48679865857993]
言語と視覚の完全連続生成モデルであるMultimodal Flowを提案する。
テキストブロックとイメージを順序付けられた連続したハイパーチャンクとして整理し、テキストトークンの順序と視覚空間構造を保存する。
MF-1をインスタンス化し、マルチモーダルデータで事前訓練する。
事前訓練トークンはわずか150Bであり、MF-1はGenEvalとDPG-Benchで平均82.8点、VQAv2、MMBench、POPEで75.3点である。
論文 参考訳（メタデータ） (2026-09-30T17:59:57Z) - Boosting Multimodal Federated Learning via Chained Modality Optimization [69.53075328069504]
MMFL(Multimodal Federated Learning)は、異種データとモダリティ可用性を備えた分散クライアント間での、プライバシ保護による協調学習を実現する。
これを解決するために,FedMChainを提案する。FedMChainは,多モード学習をモダリティの連鎖として構成する,バランスのとれたMMFLフレームワークである。
このフェーズワイズ設計により、各モダリティは、モダリティ競合を軽減するために、マルチモーダルクライアントに専用の局所最適化ウィンドウを与え、さらにエラー補償正規化器を介して、モダリティ間の相補性を促進する。
論文 参考訳（メタデータ） (2026-06-01T08:07:09Z) - NExT-OMNI: Towards Any-to-Any Omnimodal Foundation Models with Discrete Flow Matching [64.10695425442164]
NExT-OMNI(英語版)は、離散フローパラダイムによる統一モデリングを実現するオープンソース・オムニモーダル・ファンデーション・モデルである。
NExT-OMNIは、大規模なインターリーブ付きテキスト、画像、ビデオ、オーディオデータに基づいて訓練され、マルチモーダル生成および理解ベンチマーク上で競合するパフォーマンスを提供する。
さらなる研究を進めるために、トレーニングの詳細、データプロトコル、およびコードとモデルチェックポイントの両方をオープンソース化する。
論文 参考訳（メタデータ） (2025-10-15T16:25:18Z) - FindRec: Stein-Guided Entropic Flow for Multi-Modal Sequential Recommendation [57.577843653775]
textbfFindRec (textbfFlexible unified textbfinformation textbfdisentanglement for multi-modal sequence textbfRecommendation)を提案する。
Stein kernel-based Integrated Information Coordination Module (IICM) は理論上、マルチモーダル特徴とIDストリーム間の分散一貫性を保証する。
マルチモーダル特徴を文脈的関連性に基づいて適応的にフィルタリング・結合するクロスモーダル・エキスパート・ルーティング機構。
論文 参考訳（メタデータ） (2025-07-07T04:09:45Z) - MM-STFlowNet: A Transportation Hub-Oriented Multi-Mode Passenger Flow Prediction Method via Spatial-Temporal Dynamic Graph Modeling [30.57851325872074]
MM-STFlowNetは動的時空間グラフモデリングに基づく総合的マルチモード予測フレームワークである。
本研究では,複数の交通モードにまたがる空間時間依存性を詳細に把握するために,時空間動的グラフ畳み込みリカレントネットワーク(STDGCRN)を導入する。
中国の広州南鉄道駅から得られた実世界のデータセット実験により,MM-STFlowNetが最先端の性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-04-08T12:00:06Z) - ParetoFlow: Guided Flows in Multi-Objective Optimization [12.358524770639136]
オフライン多目的最適化(MOO)では、関連するラベルのオフラインデータセットを同時に複数の目的に活用する。
最近のイテレーションは主に進化的最適化とベイズ最適化を採用しており、データに固有の生成能力に限定的に注意が向けられている。
本手法は,様々なタスクにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2024-12-04T21:14:18Z) - Unleashing the Potential of Multi-Channel Fusion in Retrieval for Personalized Recommendations [33.79863762538225]
Recommender System(RS)の重要な課題は、大量のアイテムプールを効率的に処理して、厳格なレイテンシ制約の下で高度にパーソナライズされたレコメンデーションを提供することだ。
本稿では,各チャネルに最適化された重みを割り当てることで,先進的なチャネル融合戦略を検討する。
当社の手法はパーソナライズと柔軟性を両立させ,複数のデータセット間で大幅なパフォーマンス向上を実現し,現実のデプロイメントにおいて大きな成果を上げている。
論文 参考訳（メタデータ） (2024-10-21T14:58:38Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z) - Abstractive Sentence Summarization with Guidance of Selective Multimodal
Reference [3.505062507621494]
モーダル間の相互関係を考慮したマルチモーダル階層選択変換器(mhsf)モデルを提案する。
提案したmhsfモデルの汎用性を,事前学習+微調整および新鮮トレーニング戦略を用いて評価した。
論文 参考訳（メタデータ） (2021-08-11T09:59:34Z)
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。