論文の概要: DPE-Rec: Diversity-Preserving and Efficient Diffusion Language Model Recommendation for Bundle Construction
- arxiv url: http://arxiv.org/abs/2610.34700v1
- Date: Mon, 26 Oct 2026 01:45:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.674073
- Title: DPE-Rec: Diversity-Preserving and Efficient Diffusion Language Model Recommendation for Bundle Construction
- Title（参考訳）: DPE-Rec: バンドル構築のための多様性保存と効率的な拡散言語モデルの提案
- Abstract要約: 生成バンドル構築は、大きな製品カタログから欠落したアイテムを生成して、部分的に観察されたバンドルを完成させる。
多様性の保全と効率的なレコメンデーションのための拡散フレームワークであるDPE-Recを紹介する。
複数のバンドル構築ベンチマークの実験では、DPE-Recはレコメンデーション性能を平均63%改善している。
- 参考スコア（独自算出の注目度）: 24.54163795030873
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative bundle construction completes a partially observed bundle by generating its missing items from a large product catalog. Compared to autoregressive LLMs, diffusion LLM emerges as a natural fit for this unordered generation task. Their bidirectional attention provides an inductive bias better aligned with unordered bundle construction. Iterative denoising can reveal multiple tokens per step, potentially reducing inference latency. However, directly applying DLMs to this task presents two key challenges: 1 Despite its flexible reveal order, confidence-guided decoding tends to postpone semantic-fork decisions until refinement tokens constrain their choices, reducing bundle diversity. 2 Revealing more tokens per step can compromise recommendation quality, stifling the potential for faster inference. We introduce DPE-Rec, a diffusion framework for diversity preservation and efficient recommendation. DPE-Rec preserves diversity by introducing semantic-fork-aware GRPO, which prioritizes semantic-fork decisions via autoregressive rollouts. It improves efficiency through pseudo-trajectory distillation, which concentrates learning from the vast random corruption space onto the compact trajectory-induced subspace visited by high-quality decoding, unlocking reliable multi-token decoding. Together, these components enable diverse and accurate bundle construction with substantially fewer denoise steps. Experiments on multiple bundle construction benchmarks show that DPE-Rec improves recommendation performance by 63% on average, and its fast variant achieves 25.6$times$ faster inference on average than existing generative recommendation arts, with minimal loss in recommendation quality.
- Abstract（参考訳）: 生成バンドル構築は、大きな製品カタログから欠落したアイテムを生成して、部分的に観察されたバンドルを完成させる。
自己回帰 LLM と比較すると、拡散 LLM はこの非順序生成タスクに自然に適合する。
彼らの双方向の注意は、非順序バンドル構成とよりよく整合した帰納的バイアスを与える。
反復的なdenoisingはステップ毎に複数のトークンを明らかにし、推論遅延を減少させる可能性がある。
しかし、DLMをこのタスクに直接適用すると、2つの重要な課題が示される: 1) 柔軟に表される順序にもかかわらず、信頼を導いた復号化は、洗練されたトークンが選択を制限し、バンドルの多様性を減少させるまで意味論的フォーク決定を延期する傾向がある。
2 ステップ当たりのトークン数を増やすことで、推奨品質を損なう可能性があるため、推論の高速化が期待できる。
多様性の保全と効率的なレコメンデーションのための拡散フレームワークであるDPE-Recを紹介する。
DPE-Recはセマンティックフォーク対応GRPOを導入することで多様性を保ち、自動回帰ロールアウトによるセマンティックフォーク決定を優先する。
擬似軌道蒸留により効率を向上し、これは巨大なランダムな汚職空間から高品質な復号によって訪れるコンパクトな軌道誘発部分空間への学習に集中し、信頼性の高いマルチトーケン復号を解き放つ。
これらのコンポーネントを組み合わせれば、多種多様な正確なバンドル構築が可能であり、デネーズステップは極めて少ない。
複数のバンドル構築ベンチマークの実験では、DPE-Recはレコメンデーションパフォーマンスを平均63%改善し、その高速な変種は、既存のジェネレーティブレコメンデーションアーツよりも平均25.6$times$高速な推論を達成し、レコメンデーション品質の損失は最小限である。
関連論文リスト
- Beyond Pairwise Repulsion: Collective Diversity via Determinant Maximization in Diffusion Sampling [6.580620949123592]
DetNOは、初期ノイズに対してRKHSボリュームとして多種多様な生成を定式化する。
これは1ステップのツイーディ予測よりもRBFグラム行列の対数行列を最大化する。
DetNOはVendiScoreとMean Self-Similarityのバッチ内多様性をリードする。
論文 参考訳（メタデータ） (2026-10-15T17:32:25Z) - Attention-Discounted Adaptive Sampler for Masked Diffusion Language Models [59.51249894128724]
マスク付き拡散言語モデルは、反復を識別するごとに複数のトークンを明らかにすることで推論ステップを削減することができる。
パラレルマスク拡散復号法のためのトレーニング不要な復号法であるADASを提案する。
論文 参考訳（メタデータ） (2026-06-09T13:17:27Z) - Position-Aware Drafting for Inference Acceleration in LLM-Based Generative List-Wise Recommendation [27.749196490846916]
PAD-Recは2つの補完信号でドラフトモデルを増強する軽量モジュールである。
アイテム位置埋め込みは、トークン内のスロットを明示的にエンコードする。
ステップ位置埋め込みはドラフトステップをエンコードし、モデルが深さ依存の不確実性に適応できるようにする。
論文 参考訳（メタデータ） (2026-04-30T11:37:08Z) - Semantic Trimming and Auxiliary Multi-step Prediction for Generative Recommendation [22.025559532445012]
両端最適化戦略を利用したSTAMP(Semantic Trimming and Auxiliary Multi-step Prediction)を提案する。
パブリックなAmazonおよび大規模産業データセットの実験では、STAMPは1.23--1.38$times$ speedupと17.2%--54.7%のVRAM削減を達成した。
論文 参考訳（メタデータ） (2026-04-07T02:00:23Z) - PLUME: Latent Reasoning Based Universal Multimodal Embedding [52.35354073629127]
ユニバーサルマルチモーダル埋め込み(UME)は、異種入力を単一のモデルで共有検索空間にマッピングする。
最近のアプローチでは、埋め込みを抽出する前に明確なチェーン・オブ・シント(CoT)論理を生成することにより、UMEを改善している。
PLUMEは,言語化されたCoTを連続的潜伏状態の短時間の自己回帰ロールアウトに置き換えることで,UMEを進化させる潜在的推論フレームワークである。
論文 参考訳（メタデータ） (2026-04-02T14:04:53Z) - Beyond Scattered Acceptance: Fast and Coherent Inference for DLMs via Longest Stable Prefixes [10.877713536966601]
Longestahead Prefix(LSP)スケジューラは、モノリシックプレフィックスの吸収に基づく、トレーニング不要でモデルに依存しない推論パラダイムである。
LSPは1つのフォワードパスを介してトークンの安定性を評価し、安定な予測の連続した左整列ブロックを動的に識別する。
原子のコミットメントの前に、言語や構造的受容の境界を画定する。
論文 参考訳（メタデータ） (2026-03-05T18:25:26Z) - Differentiable Semantic ID for Generative Recommendation [65.83703273297492]
生成的推薦は、各項目がリッチコンテンツから学習された個別意味ID(SID)によって表現される新しいパラダイムを提供する。
実際には、SIDはレコメンデーションの正確さよりもコンテンツ再構成に最適化されるのが一般的である。
自然なアプローチは、セマンティックインデックスを差別化して、レコメンデーショングラデーションが直接SID学習に影響を与えるようにすることだ。
本稿では,ジェネレーティブレコメンデーションのための効果的な識別可能なセマンティックIDに向けた第一歩として,DIGERを提案する。
論文 参考訳（メタデータ） (2026-01-27T15:34:11Z) - Reinforcing Video Reasoning with Focused Thinking [65.85683941058916]
本稿では,集中的思考と深い報酬の粒度で視覚的推論を強化する新しいフレームワークであるTW-GRPOを提案する。
具体的には,高情報密度のトークンを優先するトークン重み付け機構を用いる。
また,シングルチョイスからマルチチョイスQAタスクにシフトすることで,RLトレーニングを再構築する。
論文 参考訳（メタデータ） (2025-05-30T15:42:19Z) - DASA: Difficulty-Aware Semantic Augmentation for Speaker Verification [55.306583814017046]
本稿では,話者認証のための難易度認識型セマンティック拡張(DASA)手法を提案する。
DASAは、話者埋め込み空間における多様なトレーニングサンプルを、無視できる余分な計算コストで生成する。
最も良い結果は、CN-Celeb評価セット上でのEER測定値の14.6%の相対的な減少を達成する。
論文 参考訳（メタデータ） (2023-10-18T17:07:05Z)
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。