論文の概要: Think Harder Where It Matters: Item-Level Adaptive Recursion for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2610.30128v1
• Date: Wed, 21 Oct 2026 17:58:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.472793
• Title: Think Harder Where It Matters: Item-Level Adaptive Recursion for Sequential Recommendation
• Title（参考訳）: 項目レベル適応的再帰によるシーケンスレコメンデーション
• Abstract要約: 既存のシーケンシャルなレコメンダは通常、ユーザのインタラクション履歴のすべての項目に固定された計算予算を割り当てる。 これらの観測は、固定深度計算からアイテムレベルの適応推論へのシフトを動機付けている。 ここでは,各項目に対して独立に二項終了決定を行うLoopRecを提案する。
• 参考スコア（独自算出の注目度）: 19.67364266076816
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing sequential recommenders usually allocate a fixed computational budget to every item in a user's interaction history, regardless of the item's contribution to the final prediction. We challenge this de facto design with two diagnostic findings. (1) Non-uniform computational need: items within the same sequence vary drastically in how much computation they require. Most converge after shallow processing while a critical minority only stabilizes at full depth. (2) Suboptimality of fixed allocation: given oracle access to the target item, a non-uniform depth assignment consistently outranks the fixed one, indicating that existing uniform computation both wastes capacity on already-converged items and sacrifices overall recommendation quality. These observations motivate a shift from fixed-depth computation to item-level adaptive reasoning. To this end, we propose LoopRec. LoopRec recursively applies a single weight-shared block and introduces a lightweight gate at each recursion boundary that makes a binary exit-or-continue decision for every item independently. Items whose representations have sufficiently matured exit early, while those requiring deeper reasoning continue to subsequent recursions. This design converts the fixed global depth into a learned, per-item property without auxiliary depth labels, and is readily adaptable to diverse backbone architectures. Extensive experiments on public benchmarks with four backbone families demonstrate that LoopRec consistently outperforms matched fixed-depth counterparts. Further analysis reveals that LoopRec's learned allocation exhibits interpretable patterns aligned with our post-hoc oracle analysis: lower-frequency items and more recent interactions naturally receive deeper computation. Our code is available at https://github.com/Elpmis117/LoopRec.
• Abstract（参考訳）: 既存のシーケンシャルなレコメンダは通常、最終予測への項目の貢献にかかわらず、ユーザのインタラクション履歴のすべての項目に固定された計算予算を割り当てる。 我々はこのデファクトデザインに2つの診断所見で挑戦する。 1)一様でない計算の必要性:同じシーケンス内の項目は、必要な計算量によって大きく異なる。 殆どは浅い処理後に収束するが、臨界少数派は完全な深さでしか安定しない。 2) 固定割当の準最適性:対象アイテムへのオラクルアクセスが与えられた場合、不均一な深さ割当は、固定アイテムを常に上回り、既存の一様計算が既に収束したアイテムの容量を浪費し、全体的な推奨品質を犠牲にすることを示す。 これらの観測は、固定深度計算からアイテムレベルの適応推論へのシフトを動機付けている。 そこで我々はLoopRecを提案する。 LoopRecは1つの重み付きブロックを再帰的に適用し、各再帰バウンダリに軽量ゲートを導入し、各アイテムに対して2つの終了または継続を独立に決定する。 表現が十分に成熟した商品は早期に終了し、深い推論を必要とするものはその後の再帰を継続する。 この設計は、固定された大域深度を補助深度ラベルのない学習単位のプロパティに変換し、多様なバックボーンアーキテクチャに容易に適応できる。 4つのバックボーンファミリーを持つ公開ベンチマークに関する大規模な実験は、LoopRecが固定深度にマッチするパフォーマンスを一貫して上回っていることを示している。 さらに分析した結果、LoopRecの学習したアロケーションは、我々のポストホックオラクル分析と一致する解釈可能なパターンを示すことが明らかとなった。 私たちのコードはhttps://github.com/Elpmis117/LoopRecで利用可能です。

関連論文リスト

• RecRec: Latent Interests Recursive Reasoning for Sequential Recommendation [52.23179023639867]
  逐次リコメンデータシステムは、ユーザインタラクションをエンコードし、次の項目を予測するために、1つのフォワードパスに依存している。 シーケンシャルなレコメンデーションのための推論プロセスをどのように構成するかは、未解決の問題である。 既存のアプローチでは、推論と予測を単一の$d$次元の状態に分割し、推論の深さを制限する。 本稿ではRLフリーフレームワークRecRec(Recursive Reasoning for Recommendation)を提案する。
  論文  参考訳（メタデータ） (2026-07-14T16:28:28Z)
• RecRec: Recursive Refinement for Sequential Recommendation [2.134948383299948]
  逐次リコメンデータシステムは、通常、反復的な洗練を伴わずに、インタラクション履歴のシングルパス符号化を通じて、ユーザの好みを推測する。 本稿では,コンパクトな潜伏状態を維持する軽量モデルRecRecを提案する。 実験の結果、RecRecは3.9Mから14Mのパラメータしか使用せず、最先端のシーケンシャル、グラフベース、推論強化のレコメンデータと一致または性能を向上することが示された。
  論文  参考訳（メタデータ） (2026-07-12T02:53:17Z)
• Stabilizing Extrapolation in Looped Transformers via Learned Stochastic Stopping [56.14767235650558]
  共有トランスブロックを繰り返し適用するLooped Transformerは、可変長の計算タスクに自然に適合するアーキテクチャである。 この差分を、列長とループ数の間の単純なアルゴリズムタスクにおける突発的相関に追従する。 私たちの研究は、"停止する時"は単なる推論時間割当ルールではなく、トレーニング設計の選択として扱われるべきであることを示唆しています。
  論文  参考訳（メタデータ） (2026-06-29T08:58:09Z)
• Efficient Test-Time Inference via Deterministic Exploration of Truncated Decoding Trees [68.04613115686509]
  自己整合性は、複数の推論トレースを並列にサンプリングし、投票することで、推論時間のパフォーマンスを向上させる。 そこで本研究では,切り落された標本を伐採木として扱う決定論的復号法であるDLE(Distinct Leafion)を提案する。 DLEは高品質な推論トレースを調査し、数学、コーディング、一般的な推論タスクのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2026-04-22T12:42:03Z)
• ReFIT: Relevance Feedback from a Reranker during Inference [109.33278799999582]
  Retrieve-and-Rerankは、ニューラル情報検索の一般的なフレームワークである。 本稿では,リランカを利用してリコールを改善する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-19T15:30:33Z)
• Planning and Learning with Adaptive Lookahead [74.39132848733847]
  ポリシーイテレーション(PI)アルゴリズムは、欲求の一段階の改善と政策評価を交互に行う。 近年の文献では、複数段階のルックアヘッドポリシーの改善が、イテレーション毎の複雑さの増加を犠牲にして、よりコンバージェンス率の向上につながることが示されている。 本研究では,多段階の地平線を状態と推定値の関数として動的に適応する手法を初めて提案する。
  論文  参考訳（メタデータ） (2022-01-28T20:26:55Z)
• Object-aware Monocular Depth Prediction with Instance Convolutions [72.98771405534937]
  本稿では,特徴集合を避けるために明示的に調整された新しい畳み込み演算子を提案する。 提案手法は,部分ごとの深度をスーパーピクセルで推定する。 NYUv2とiBimsデータセットに対する我々の評価は、インスタンスの畳み込みの優位性を明確に示している。
  論文  参考訳（メタデータ） (2021-12-02T18:59:48Z)

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。