論文の概要: Bezier-Guided Adaptive Flow for Cross-domain Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2610.30825v1
• Date: Thu, 22 Oct 2026 06:53:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.263885
• Title: Bezier-Guided Adaptive Flow for Cross-domain Sequential Recommendation
• Title（参考訳）: クロスドメインシーケンスレコメンデーションのためのBezier-Guided Adaptive Flow
• Abstract要約: クロスドメインシーケンシャルレコメンデーションは、ドメイン間で有用な好みの知識を伝達することによって、データの疎さとコールドスタート問題を緩和することを目的としている。 状態適応型セマンティック進化とユーザ固有の転送制御を組み合わせた,パーソナライズされたフレームワークであるBGAFlowを提案する。 実世界のデータセットに関する実験は、BGAFlowが一貫して最先端のベースラインを上回っていることを示している。
• 参考スコア（独自算出の注目度）: 8.399423096415838
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-domain sequential recommendation aims to alleviate data sparsity and cold-start problems by transferring useful preference knowledge across domains. However, users exhibit varying degrees of preference consistency across domains, while existing methods often rely on global alignment objectives or coarse-grained transfer strategies. Such approaches may introduce irrelevant information and provide limited flexibility in adapting semantic representations to individual user preferences. To address these challenges, we propose BGAFlow, a personalized framework that combines state-adaptive semantic evolution with user-specific transfer control. BGAFlow first establishes a shared semantic space through unified dual-domain pretraining with user profiles inferred by a large language model (LLM). Based on latent interest overlap, it then estimates a personalized horizon to determine the appropriate transfer extent for each user. To enable semantic adaptation, BGAFlow constructs a conditional Bezier curve as a geometric reference and learns a residual flow that progressively refines the trajectory based on intermediate preference states. The learned flow incorporates dynamic preference feedback to adjust transfer directions, while recommendation supervision and trajectory regularization encourage effective and smooth adaptation. Extensive experiments on real-world datasets demonstrate that BGAFlow consistently outperforms state-of-the-art baselines, validating the benefits of personalized transfer control and state-adaptive semantic evolution.
• Abstract（参考訳）: クロスドメインシーケンシャルレコメンデーションは、ドメイン間で有用な好みの知識を転送することで、データの疎さとコールドスタート問題を緩和することを目的としている。 しかし,従来の手法では,大域的なアライメント目標や粗い粒度の転送戦略に頼っている場合が多い。 このようなアプローチは、無関係な情報を導入し、個々のユーザの好みにセマンティック表現を適用する際の柔軟性を制限できる。 これらの課題に対処するために、状態適応型セマンティック進化とユーザ固有の転送制御を組み合わせたパーソナライズされたフレームワークであるBGAFlowを提案する。 BGAFlowはまず、大きな言語モデル(LLM)によって推測されるユーザプロファイルと統合された二重ドメイン事前トレーニングを通じて、共有セマンティックスペースを確立する。 遅延利子重なりに基づいて、パーソナライズされた地平線を推定し、各ユーザに対して適切な転送範囲を決定する。 セマンティック適応を実現するため、BGAFlowは幾何参照として条件ベジエ曲線を構築し、中間選好状態に基づいて軌道を徐々に洗練する残留流を学習する。 学習フローには動的嗜好フィードバックが組み込まれ、転送方向を調節し、レコメンデーションの監督と軌道規則化が効果的でスムーズな適応を促す。 実世界のデータセットに関する大規模な実験により、BGAFlowは、パーソナライズされた転送制御と状態適応的セマンティック進化の利点を検証して、最先端のベースラインを一貫して上回ることを示した。

関連論文リスト

• COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection [87.91469665365304]
  一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。 最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。 本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-13T09:23:12Z)
• Counterfactual Route Optimization for Gaussian Head Avatar Modeling [50.10122849806579]
  頭部アバターモデリングは、幾何学、外観、対面的整合性に異なる支配的な影響を持つ目標を共同で最適化する必要がある。 中心的な課題は、各トレーニング状態においてどの最適化方向がより有益かを特定することである。 本稿では,頭部アバターモデリングのための実測経路最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-07T10:08:08Z)
• PG-MAP: Joint MAP Optimization for Inference-Time Alignment of Diffusion and Flow-Matching Models [0.8594140167290097]
  事前訓練されたテキスト-画像モデルの推測時間アライメントは、通常、単一の制御軸に沿って実行される。 我々は、軌道レベルのギブスマップ/近位エネルギー最適化として推論時間アライメントを定式化する、トレーニング不要のフレームワークPG-MAPを提案する。
  論文  参考訳（メタデータ） (2026-06-22T07:36:36Z)
• Federated Variational Preference Alignment with Gumbel-Softmax Prior for Personalized User Preferences [27.034832184399992]
  我々はGumbel-Softmax Prior (FedVPA-GP) を用いたフェデレーション型変分選好アライメントを提案する。 FedVPA-GPは、プライバシーを損なうことなく、様々な好みを乱すように設計されたフレームワークである。 HH-RLHFデータセットの実験は、FedVPA-GPがモノリシックベースラインを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2026-05-29T05:52:21Z)
• 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)
• SPRInG: Continual LLM Personalization via Selective Parametric Adaptation and Retrieval-Interpolated Generation [11.253466187411524]
  SPRInGは、効果的な継続パーソナライズを目的とした、新しい半パラメトリックフレームワークである。 訓練中、SPRInGはドリフト駆動の選択的適応を採用しており、これは確率に基づくスコアリング機能を用いて高能率相互作用を識別する。 長期のパーソナライズされた生成ベンチマークの実験は、SPRInGが既存のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-01-15T01:32:27Z)
• TRACE: A Generalizable Drift Detector for Streaming Data-Driven Optimization [18.46974867492826]
  多くの最適化タスクには、未知の概念ドリフトによるストリーミングデータが含まれており、Streaming Data-Driven Optimization (SDDO)として大きな課題となっている。 本稿では,Transferable Concept-drift Estimatorを提案する。Transferable Concept-drift Estimatorは,時間スケールの異なるストリーミングデータの分布変化を効果的に検出する。 多様なベンチマークに関する総合的な実験結果は、SDDOシナリオにおける我々のアプローチの優れた一般化、堅牢性、有効性を示している。
  論文  参考訳（メタデータ） (2025-12-08T01:33:16Z)
• Cross-domain Transfer of Valence Preferences via a Meta-optimization Approach [17.545983294377958]
  CVPMはメタラーニングと自己教師型学習のハイブリッドアーキテクチャとして、ドメイン間の関心伝達を形式化する。 ユーザの好みに対する深い洞察を得て、差別化されたエンコーダを使って分布を学習する。 特に、各ユーザのマッピングを共通の変換とパーソナライズされたバイアスの2つの部分として扱い、そこでは、パーソナライズされたバイアスを生成するネットワークがメタラーナーによって出力される。
  論文  参考訳（メタデータ） (2024-06-24T10:02:24Z)
• Label Alignment Regularization for Distribution Shift [63.228879525056904]
  最近の研究は、教師あり学習におけるラベルアライメント特性(LAP)を強調している。 対象領域の予測と最上位特異ベクトルとのアライメントを促進する非教師なし領域適応の正規化法を提案する。 MNIST-USPSドメイン適応や言語間感情分析などのよく知られたタスクにおいて、ドメイン適応ベースラインよりもパフォーマンスが向上したことを報告した。
  論文  参考訳（メタデータ） (2022-11-27T22:54:48Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)

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。