論文の概要: From Item Scores to Semantic Tokens: Test-Time Collaborative Adaptation for Generative Recommendation

• arxiv url: http://arxiv.org/abs/2610.32098v1
• Date: Fri, 23 Oct 2026 03:01:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.330524
• Title: From Item Scores to Semantic Tokens: Test-Time Collaborative Adaptation for Generative Recommendation
• Title（参考訳）: 項目スコアからセマンティックトークンへ:ジェネレーティブレコメンデーションのためのテスト時間協調適応
• Abstract要約: 意味的識別子を用いた生成レコメンデータは、連続したトークン決定を通じてアイテムを予測するが、ビームサーチは、有望なアイテムパスを不可逆的に引き起こす可能性がある。 textbfTest-Time textbfBeam textbfSearch textbfAdaptation (textbfTCBSA)を提案する。
• 参考スコア（独自算出の注目度）: 9.131493538463387
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative recommenders using semantic identifiers predict items through successive token decisions, but beam search may irreversibly prune promising item paths. This limitation is particularly consequential when a few recent interactions signal an emerging interest while earlier behavior favors established preferences. Yet an independently trained discriminative recommender may rank the same items highly from the same interaction history. Such complementary scores are available at test time, offering a way to adapt a frozen generator without retraining either model. The challenge is to use these scores before pruning: combining completed recommendation lists cannot alter earlier beam decisions, while scores over complete items cannot directly inform choices among semantic prefixes shared by multiple items. We propose \textbf{T}est-Time \textbf{C}ollaborative \textbf{B}eam \textbf{S}earch \textbf{A}daptation (\textbf{TCBSA}), a training-free method that incorporates collaborative information into semantic decoding. TCBSA transforms discriminative score margins into potentials over shared semantic edges and uses a confidence gate to regulate their contributions to cumulative path scores before beam selection. We establish a sufficient condition for target prefix survival under global beam competition and bound score perturbations under low discriminative confidence. Full-catalog experiments show consistent improvements over strong baselines across datasets and different generative and discriminative recommenders. Analyses of emerging interests and decoding behavior demonstrate gains in recommendation accuracy and target path survival, while targeted interventions support the contribution of shared prefix corrections. TCBSA also offers a favorable balance between recommendation accuracy and inference latency compared with simply widening the native beam.
• Abstract（参考訳）: 意味的識別子を用いた生成レコメンデータは、連続したトークン決定を通じてアイテムを予測するが、ビームサーチは、有望なアイテムパスを不可逆的に引き起こす可能性がある。 この制限は、いくつかの最近の相互作用が新たな関心を喚起する一方で、以前の行動が確立された嗜好を好む場合に特に適切である。 しかし、独立に訓練された差別的推薦者は、同じ相互作用履歴から同じ項目を高くランク付けすることができる。 このような相補的なスコアはテスト時に利用可能であり、どちらのモデルも再トレーニングすることなく、凍結したジェネレータを適応する方法を提供する。 完了したレコメンデーションリストを組み合わせることで、以前のビーム決定を変更できない一方で、完了したアイテムに対するスコアは、複数のアイテムが共有するセマンティックプレフィックス間の選択を直接通知できない。 本稿では,協調情報をセマンティックデコーディングに組み込むトレーニングフリーな方法である,XMLbf{T}est-Time \textbf{C}ollaborative \textbf{B}eam \textbf{S}earch \textbf{A}daptation (\textbf{TCBSA})を提案する。 TCBSAは、差別的スコアマージンを共有意味エッジ上のポテンシャルに変換し、信頼ゲートを使用して、ビーム選択前の累積パススコアへの貢献を規制する。 我々は,大域的ビーム競争および低差別的信頼の下での有界スコア摂動の下で,目標プレフィックス生存のための十分な条件を確立する。 完全なカタログ実験は、データセットと異なる生成的および差別的な推奨者の間で、強いベースラインよりも一貫して改善されていることを示している。 新たな関心と復号行動の分析は、推奨精度と目標経路生存率の上昇を示し、目標介入は共有プレフィックス修正の寄与を支持する。 TCBSAはまた、リコメンデーション精度と推論遅延のバランスを、ネイティブビームを単純に広げるよりも良い。

関連論文リスト

• RubricOpt: Self-Revision of Semantic Rubrics for Preference Optimization [21.21703214292865]
  我々は、優先順位最適化における行動基準をポリシーが修正するフレームワークであるOptを紹介した。 共有セマンティック表現は、タスク要求、嗜好データコントラスト、ルーリック節を結合する。 実験により, ルーブリックコンディショニングは通常のDPOよりも良好な結果が得られることが示された。
  論文  参考訳（メタデータ） (2026-10-21T09:46:37Z)
• Controlled Decoding Attacks on Black-Box LLMs [68.46062477706256]
  Methodは、繰り返しサンプリングとアシスタント-継続を可能にする、テキストのみの継続インターフェイスを通じてジェイルブレイクを行うためのフレームワークである。 Risk-Gated Residual Controlは、進化する応答プレフィックスを使用して、配布の再構築と修正をいつ行うかを決定する。 Speculative Multi-Token Executionは、介入を必要としないドラフトプレフィックスの検証と受け入れによって、さらにターゲットコールを償却する。
  論文  参考訳（メタデータ） (2026-09-29T07:58:49Z)
• EchoRec: Multi-Item Prediction-Empowered Generative Recommendation via Cycle-Consistent Preference Alignment [57.08595331216049]
  生成レコメンデーションは、ターゲット項目のセマンティックIDを自己回帰的に生成し、共有トークン空間内の嗜好モデリングとインデックス検索を統合する。 近年の試行ではMTP(Multi-Token Prediction)を導入しているが、その効率性は主に継承され、密集した監視対象としての可能性は未解明のままである。 提案するEchoRecは,マルチホライゾンにまたがるサイクル一貫性の全体的嗜好アライメントをMPPに付与し,生成的レコメンデーションを実現する。
  論文  参考訳（メタデータ） (2026-08-14T06:59:12Z)
• Escaping the Euclidean Void: Manifold-Informed Flow Matching for Sequential Recommendation [28.629759086187352]
  MIRAGEは、シーケンシャルなレコメンデーションで埋め込みを加速するフレームワークである。 学習された埋め込み幾何を、変化のない直線的な確率経路の周りで修正する。 MIRAGEは、4つの実世界のデータセットの実験において、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-07-26T17:17:31Z)
• Bias Leaves a Gradient Trail: Label-Free Bias Identification via Gradient Probes on Concept Decompositions [8.894428198928333]
  本稿では,凍結視覚モデルにおける突発的概念を識別するためのバイアスラベルのないポストホック法を提案する。 Colored MNIST と Waterbirds では、この手法は既知のスプリアスキューに沿った概念を復元する。 推論時間における上位概念の抑制は、最悪のグループ精度を最大17.9ポイント向上させる。
  論文  参考訳（メタデータ） (2026-05-27T17:39:10Z)
• APAO: Adaptive Prefix-Aware Optimization for Generative Recommendation [26.371939617653084]
  生成レコメンデーションは自動回帰生成プロセスであり、ユーザインタラクション履歴に基づいて、次の項目の離散トークンを予測する。 既存の生成レコメンデーションモデルは、通常、クロスエントロピー損失のようなトークンレベルの可能性目標で訓練される。 標準的なトレーニングでは、推論中にビームサーチが低確率の分岐を産み出すという事実を無視して、地道の歴史が常に利用可能であると仮定している。
  論文  参考訳（メタデータ） (2026-03-03T08:29:15Z)
• Reference-Free Rating of LLM Responses via Latent Information [53.463883683503106]
  本研究では,判断モデルに対して,自由テキスト応答にQuattスケールのスコアを割り当てるよう依頼する一般的な実践について検討する。 次に、内部モデル信号からスカラー評価を導出する潜在裁判官を提案し、評価する。 ペアとシングルレーティングのベンチマークの幅広いスイートの中で、潜在メソッドは標準のプロンプトにマッチするか、超えている。
  論文  参考訳（メタデータ） (2025-09-29T12:15:52Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• Consensus-Guided Correspondence Denoising [67.35345850146393]
  本稿では,地域間コンセンサス学習フレームワークと対応関係を異色化し,対応関係をロバストに識別する。 ローカル地域からグローバル地域への動的グラフから推定されるコンセンサススコアに基づいて,信頼度の高い候補を初期マッチングから蒸留する新しい「プルーニング」ブロックを導入した。 本手法は、堅牢なラインフィッティング、ワイドベースライン画像マッチング、画像ローカリゼーションベンチマークを顕著なマージンで上回る。
  論文  参考訳（メタデータ） (2021-01-03T09:10:00Z)

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。