論文の概要: Candidate-dependent residual routing trades top-of-list accuracy for recall in sequential recommendation

• arxiv url: http://arxiv.org/abs/2610.24200v1
• Date: Fri, 16 Oct 2026 20:20:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 10:16:51.222961
• Title: Candidate-dependent residual routing trades top-of-list accuracy for recall in sequential recommendation
• Title（参考訳）: 候補依存残差ルーティングは、シーケンシャルレコメンデーションにおけるリコールのためのトップ・オブ・リストの精度を交換する
• Abstract要約: 候補に依存したルーティングは、ユーザの過去の行動がスコアする項目ごとに異なるように、シーケンシャルなリコメンデータを重み付けする。 我々は,この柔軟性が,自覚的ベースラインに小さな残差ルーティングモジュールを追加することで有効かどうかを検証した。
• 参考スコア（独自算出の注目度）: 10.720985236309462
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Candidate-dependent routing lets a sequential recommender weight a user's past behaviors differently for each item it scores. We test whether this flexibility helps by adding a small residual routing module to a self-attentive baseline, in two versions that differ only in what sets the routing weights: the user's history representation or the candidate item's embedding. Across five paired seeds on the REES46 cosmetics-shop dataset, with matched training for all three models, candidate-dependent routing leaves the primary metric, normalized discounted cumulative gain at cutoff ten (NDCG@10), essentially unchanged (mean relative change +0.003%). Secondary and exploratory analyses show that this flat average hides two effects that cancel. The candidate-dependent model places more relevant items in its top ten (recall +1.81%) but ranks the first one lower (mean reciprocal rank -1.09%), and most of its new hits land at positions six to ten. Its gains come from queries with at least one target among the user's last 50 events, while queries whose targets all lie outside that window get worse. In this form, candidate-dependent routing trades accuracy at the top of the list for recall further down.
• Abstract（参考訳）: 候補に依存したルーティングは、ユーザの過去の振る舞いを、スコアする項目ごとに異なる方法で、シーケンシャルなリコメンデータが重み付けする。 この柔軟性が、ユーザ履歴表現や候補項目の埋め込みといった、ルーティングウェイトを設定するものだけが異なる2つのバージョンにおいて、自己注意ベースラインに小さな残留ルーティングモジュールを追加することで、有効かどうかをテストする。 REES46の化粧品ショップデータセット上の5組の種子は、すべてのモデルで一致したトレーニングで、候補に依存したルーティングは、プライマリメトリック、カットオフ10(NDCG@10)での正規化割引累積ゲイン(平均相対変化+0.003%)が残る。 二次的および探索的な分析は、この平坦な平均がキャンセルする2つの効果を隠していることを示している。 候補に依存したモデルでは、上位10点(リコール+1.81%)に関連性の高い項目を配置するが、上位1点(平均逆位-1.09%)をランク付けし、新しいヒットは6点から10点にランク付けしている。 そのメリットは、ユーザの過去50回のイベントのうち、少なくとも1つのターゲットを持つクエリから得られる。 この形式では、候補依存ルーティングはリストの最上部で精度を交換し、さらなるリコールを行う。

関連論文リスト

• Benchmarking Self-Supervised 3D Medical Vision Foundation Models and Transferability Estimation [57.65266782182578]
  セルフ教師付き事前トレーニングは、3D医療基盤モデルのプールを拡張したが、異なるデータセット、エンドポイント、微調整プロトコルを使用した評価を公表した。 14のセグメンテーション、分類、回帰タスク、複数の解剖学とモダリティにまたがる23の候補をベンチマークした。 3モデルショートリストは、7つのセグメンテーションタスクで記録された抜粋+訓練ジョブ時間を85.8%削減した。
  論文  参考訳（メタデータ） (2026-10-13T01:52:19Z)
• Trajectory-Aware Benchmark Subset Selection for Cost-Efficient Software Engineering Agent Regression Testing [13.445714489253703]
  自動ソフトウェアエンジニアリングエージェント(SWEエージェント)は、コーディングタスクを自動化する。 1つの解決策は、ベンチマークインスタンスのサブセットのみを評価することである。 トラジェクティブ・アウェア・サブセット選択手法を提案し, トラジェクティブ・埋め込みに基づくランダムサンプリングを決定論的選択に置き換える。
  論文  参考訳（メタデータ） (2026-09-21T17:23:28Z)
• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• Test-Time Optimization of Query Embeddings with Ranking Aware Reward Maximization [13.137370980012525]
  TTT-Embedは、冷凍モデルの出力埋め込み空間内の学習ベクトルにランキング報酬を蒸留するフレームワークである。 単一のスコープパラメータが再利用(グローバル、タスク、クエリ)を制御し、固定された報酬計算予算の下で再利用可能性と特異性の間の原則的なトレードオフを可能にする。
  論文  参考訳（メタデータ） (2026-08-12T20:24:57Z)
• Query-aware Routing for Filtered Approximate Nearest Neighbors Search [2.121524887011041]
  フィルタされたANN探索は、現代のベクトルデータベースと検索拡張生成におけるコアプリミティブである。 我々は3つの述語の下で複数のデータセットにまたがる主要な分類的ANN手法の全てをベンチマークする。 軽量MLモデルは、クエリ上で各候補メソッドのリコールを予測する。 我々のルータは,5つの検証データセットのすべてに対して,最先端のリコールとQPSバランスを実現していることを示す。
  論文  参考訳（メタデータ） (2026-06-18T07:54:12Z)
• CoEval: Ranking Language Models for Custom Tasks Without Labeled Data or Trustworthy Benchmarks [47.027290803102666]
  アンサンブル自己評価を通じて信頼性の高いタスク固有信号を提供するオープンフレームワークであるCoEvalを提案する。 モデルのプールは教師、学生、裁判官の3つの役割すべてを通して回転し、新鮮な汚染のないベンチマークを生成する。
  論文  参考訳（メタデータ） (2026-06-02T13:41:43Z)
• Hard Negatives, Hard Lessons: Revisiting Training Data Quality for Robust Information Retrieval with LLMs [53.78110936809744]
  堅牢で再帰的なモデルのトレーニングは通常、大規模なデータセットに依存します。 トレーニングデータセットにおいて、偽陰性を識別し、許容する。 トレーニングデータセットとコードは公開されています。
  論文  参考訳（メタデータ） (2025-05-22T17:47:57Z)

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。