論文の概要: RecSoup: Efficient Model Merging Approach for Controllable Multi-Objective Recommendation

• arxiv url: http://arxiv.org/abs/2610.21220v1
• Date: Thu, 15 Oct 2026 04:08:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.175313
• Title: RecSoup: Efficient Model Merging Approach for Controllable Multi-Objective Recommendation
• Title（参考訳）: RecSoup: 制御可能な多目的レコメンデーションのための効率的なモデルマージ手法
• Abstract要約: RecSoupは、特殊なモデルマージによる効果的なCMORのための軽量な2段階のアプローチである。 プルーニング戦略により、目的物間のパラメータ干渉を緩和する。 その後、学習可能な好みと係数のマッピングを通じて適応パラメータのマージを行う。
• 参考スコア（独自算出の注目度）: 4.32978215828938
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems often need to balance multiple conflicting objectives. Controllable Multi-Objective Recommendation (CMOR) enables dynamic adjustment of objective trade-offs at inference time without retraining, adapting to shifting user or system requirements. Existing CMOR approaches typically rely on output-level reranking or parameter-generating modules, which either limit the scope of feasible trade-offs or incur substantial training and inference cost. Model merging provides a promising alternative by reusing multiple objective-specific models via parameter combination. However, its direct application to recommender systems is challenging due to the lack of a shared linear regime and cross-objective interference. To address these issues, we propose RecSoup, a lightweight two-stage approach for effective CMOR via specialized model merging. RecSoup first mitigates parameter interference across objectives through a pruning strategy that jointly considers objective-specific importance and cross-objective relevance. It then performs adaptive parameter merging via a learnable preference-to-coefficient mapping, allowing dynamic trade-off control at inference time without joint retraining or additional generative modules. Theoretically, we prove that RecSoup outperforms the parameter generation paradigm in effectiveness and efficiency, as it can fully navigate the Pareto front without smoothness constraints. Extensive experiments on multiple benchmarks demonstrate that RecSoup achieves improved Pareto front quality and effective controllability while delivers 165--228x faster inference-time latency than parameter generation approaches. Code is available at https://github.com/35798642/RECSOUP.git.
• Abstract（参考訳）: レコメンダシステムは、しばしば複数の矛盾する目標のバランスをとる必要がある。 制御可能な多目的レコメンデーション(CMOR)は、ユーザやシステム要件のシフトに適応することなく、推論時に客観的なトレードオフを動的に調整することを可能にする。 既存のCMORアプローチは一般的に出力レベルのリグレードやパラメータ生成モジュールに依存しており、これは実現可能なトレードオフの範囲を制限するか、相当なトレーニングと推論コストを発生させる。 モデルマージは、パラメータの組み合わせによって複数の客観的モデルを再利用することで、有望な代替手段を提供する。 しかしながら、リコメンデータシステムへの直接適用は、共有線形構造とクロスオブジェクト干渉の欠如により困難である。 これらの問題に対処するため、我々はRecSoupを提案する。RecSoupは、特殊モデルマージによる効果的なCMORのための軽量な2段階アプローチである。 RecSoupはまず、客観的な重要性とオブジェクト間の関連性を共同で検討するプルーニング戦略を通じて、目的物間のパラメータ干渉を緩和する。 次に、学習可能な好みと係数のマッピングを通じて適応パラメータのマージを行い、共同再学習や追加生成モジュールを使わずに推論時に動的トレードオフ制御を行う。 理論的には、RecSoupはパラメタ生成のパラダイムを効率と効率で上回り、スムーズな制約なしにパレートフロントを完全にナビゲートできる。 複数のベンチマークに関する大規模な実験では、RecSoupはパラメータ生成アプローチよりも165～228倍高速な推論時間でParetoのフロント品質と効果的な制御性の向上を実現している。 コードはhttps://github.com/35798642/RECSOUP.gitで入手できる。

関連論文リスト

• CoMerge: Conflict-Driven Preference Optimization for Multi-Task Model Merging [59.836482609414816]
  モデルマージのための競合駆動型優先最適化フレームワーク(CoMerge)を提案する。 CoMergeは、タスク固有の機能を保持しながら、パラメータ空間の競合を軽減するモデルを可能にする。 実験の結果、CoMerge は MergeBench 上で平均 0.9968 の正規化性能を達成した。
  論文  参考訳（メタデータ） (2026-09-02T08:21:28Z)
• RecNet: Self-Evolving Preference Propagation for Agentic Recommender Systems [109.9061591263748]
  RecNetは、レコメンデータシステムのための自己進化的な好みの伝達フレームワークである。 関連ユーザやアイテム間で、リアルタイムの好み更新を積極的に伝達する。 逆相では、フィードバック駆動の伝搬最適化機構がマルチエージェント強化学習フレームワークをシミュレートする。
  論文  参考訳（メタデータ） (2026-01-29T12:14:31Z)
• From Parameter to Representation: A Closed-Form Approach for Controllable Model Merging [22.794831741556468]
  モデルマージは、マルチタスクのパフォーマンスのエキスパートモデルを組み合わせるが、パラメータ干渉による課題に直面している。 既存のアプローチではコンパイル型クエリーのパラダイムを採用しており、高速で好み対応のモデル生成を可能にするために、コストのかかるオフラインの多目的最適化を実行する。 我々は、この補正を最適線形変換としてモデル化し、オフライン最適化プロセス全体を単一ステップでアーキテクチャに依存しない計算で置き換える閉形式解を得る。
  論文  参考訳（メタデータ） (2025-11-14T04:09:25Z)
• Relation-Aware Bayesian Optimization of DBMS Configurations Guided by Affinity Scores [2.474203056060563]
  データベース管理システム(DBMS)は,大規模および異種データの管理に基本的であり,その性能は構成パラメータの影響を強く受けている。 近年の研究では、機械学習を用いた自動構成最適化に焦点が当てられているが、既存のアプローチにはいくつかの重要な制限がある。 パラメータ依存をグラフとして表現する新しいフレームワークであるRelTuneを提案し,パフォーマンス関連セマンティクスを符号化したGNNベースの潜伏埋め込みを学習する。
  論文  参考訳（メタデータ） (2025-10-31T03:46:42Z)
• Merge and Guide: Unifying Model Merging and Guided Decoding for Controllable Multi-Objective Generation [49.98025799046136]
  Merge-And-GuidEは、ガイド付きデコーディングにモデルマージを利用する2段階のフレームワークである。 ステージ1では、MAGEはガイダンスとベースモデルの互換性の問題を解決する。 ステージ2では、明示的で暗黙的な値モデルを統一的なガイダンスプロキシにマージします。
  論文  参考訳（メタデータ） (2025-10-04T11:10:07Z)
• RobustMerge: Parameter-Efficient Model Merging for MLLMs with Direction Robustness [28.437105789298244]
  RobustMergeは、方向ロバスト性を維持するために相補的なパラメータ適応を備えたトレーニング不要なパラメータ効率のマージ手法である。 多様なマルチモーダルタスクからなるベンチマークを構築し,本手法の卓越した性能と一般化性を証明する実験を行った。
  論文  参考訳（メタデータ） (2025-02-24T13:52:05Z)
• Semantic Codebook Learning for Dynamic Recommendation Models [55.98259490159084]
  動的シーケンシャルレコメンデーション(DSR)は、ユーザの振る舞いに基づいてモデルパラメータを生成し、シーケンシャルレコメンデーションのパーソナライズを改善する。 巨大なパラメータ探索空間と疎結合でノイズの多いユーザ-イテム相互作用の課題に直面するため、生成されたモデルパラメータの適用性が低下する。 Semantic Codebook Learning for Dynamic Recommendation Models (SOLID)フレームワークは、これらの課題に効果的に取り組むことで、DSRの大幅な進歩を示す。
  論文  参考訳（メタデータ） (2024-07-31T19:25:25Z)
• Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels [69.18343801164741]
  パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。 本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
  論文  参考訳（メタデータ） (2020-10-08T15:27:50Z)

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。