論文の概要: When Diffusion Recommenders Stop Sampling: Preserving Generative Diversity

• arxiv url: http://arxiv.org/abs/2610.36954v1
• Date: Tue, 27 Oct 2026 10:13:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.255208
• Title: When Diffusion Recommenders Stop Sampling: Preserving Generative Diversity
• Title（参考訳）: Diffusion Recommendersがサンプリングをやめたとき: 生成的多様性を保存する
• Abstract要約: 既存の拡散勧告者は, しばしば急激なサンプリング崩壊に悩まされる。 DARTSは3段階の遅延拡散フレームワークで、表現学習、生成モデリング、離散ランキングを明確に分離する。 3つのAmazon Reviews 2023カテゴリ全体で、DARTSはサンプリングの多様性を大幅に向上させ、標準ランクの指標では、強いシーケンシャル、生成的検索、拡散ベースラインを7-12%上回っている。
• 参考スコア（独自算出の注目度）: 17.96636600595421
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A user history can admit multiple plausible next interactions, yet conventional sequential recommenders produce a single deterministic ranking. While diffusion models offer a natural way to sample alternative continuations, we show that existing target-item diffusion recommenders often suffer from severe sampling collapse, producing nearly identical outputs across independent draws. We identify two ubiquitous design choices that promote this collapse: joint learning of the latent space and denoiser, and in-trajectory supervision via discrete losses. To address these failure modes, we introduce DARTS (Diverse and Accurate Recommendation Through Sampling), a three-stage latent diffusion framework that explicitly decouples representation learning, generative modeling, and discrete ranking by learning and freezing the latent space before diffusion training and postponing ranking supervision to the final decoding stage. We further characterize sampling diversity using complementary measures of variation before and after decoding, and use posterior-predictive aggregation to exploit this diversity at inference. Across three Amazon Reviews 2023 categories, DARTS preserves substantially greater sampling diversity while outperforming strong sequential, generative-retrieval, and diffusion baselines by 7-12% on standard ranking metrics. Aggregating multiple samples further improves ranking accuracy at a fixed slate size.
• Abstract（参考訳）: ユーザ履歴には、複数の妥当な次のインタラクションが認められるが、従来のシーケンシャルなレコメンデータは、単一の決定論的ランキングを生成する。 拡散モデルは、別の連続体をサンプリングする自然な方法を提供するが、既存の拡散推奨者は、しばしば深刻なサンプリング崩壊に悩まされ、独立のドロー間でほぼ同一の出力を生成する。 この崩壊を促進する2つのユビキタスな設計選択は、潜在空間とデノイザーの合同学習と、離散的な損失による軌道内監視である。 DARTS(Diverse and Accurate Recommendation Through Sampling)は,表現学習,生成モデリング,離散的ランキングを,拡散訓練前の潜伏空間の学習と凍結によって明確に分離し,最終復号段階に格付け監督を延期する3段階の遅延拡散フレームワークである。 さらに、復号前と復号後の変動の相補的な尺度を用いてサンプリングの多様性を特徴づけ、推論時にこの多様性を利用するために後述の集約を用いる。 3つのAmazon Reviews 2023カテゴリ全体で、DARTSはサンプリングの多様性を大幅に向上させ、標準ランクの指標では、強いシーケンシャル、生成的検索、拡散ベースラインを7-12%上回っている。 複数のサンプルを集約することで、固定スレートサイズでのランキング精度がさらに向上する。

関連論文リスト

• Forward-Learned Discrete Diffusion: Learning how to noise to denoise faster [9.504429803694448]
  本稿では,対象分布とモデル分布とのギャップを低減するために,前方学習型離散拡散法を提案する。 マルコフの前方鎖を固定する代わりに、学習可能な辺分布と後続分布を持つ非マルコフの定式化を採用する。 これにより、生成プロセスは、ノイズ発生プロセスで定義されたターゲットにマッチしながら、分解され続けることができる。
  論文  参考訳（メタデータ） (2026-05-18T10:43:36Z)
• Discrete diffusion samplers and bridges: Off-policy algorithms and applications in latent spaces [25.53140530160344]
  離散拡散サンプリングのためのオフ・ポリシー・トレーニング手法を導入する。 これらの手法により, 確立されたベンチマークと新しいベンチマークの両方において, 離散サンプリング性能が向上することを示す。 最後に,画像生成モデルの離散潜在空間におけるデータフリー後方サンプリングへの拡散サンプリングの適用について述べる。
  論文  参考訳（メタデータ） (2026-02-05T18:16:57Z)
• Test-Time Anchoring for Discrete Diffusion Posterior Sampling [38.507644561076894]
  後方サンプリングは、事前訓練された離散拡散基礎モデルにとって難しい問題である。 マスク拡散基礎モデルのためのAnchored Posterior Smpling (APS) を提案する。 本手法は線形および非線形逆問題に対する離散拡散サンプリング器の最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-10-02T17:58:37Z)
• Adaptive Destruction Processes for Diffusion Samplers [12.446080077998834]
  本稿では,拡散サンプリング装置におけるトレーニング可能な破壊プロセスの課題とメリットについて考察する。 ステップ数に制限がある場合、生成過程と破壊過程の両方を訓練することで、より高速な収束とサンプリング品質の向上が期待できる。
  論文  参考訳（メタデータ） (2025-06-02T11:07:27Z)
• Constrained Diffusion with Trust Sampling [11.354281911272864]
  我々は、最適化の観点から、トレーニングなし損失誘導拡散を再考する。 トラストサンプリングは、無条件拡散モデルに従って効果的にバランスをとり、損失誘導に固執する。 複雑なタスクや画像の領域や3Dモーション生成の領域で広範囲にわたる実験により,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-11-17T01:34:57Z)
• Controlling the Fidelity and Diversity of Deep Generative Models via Pseudo Density [70.14884528360199]
  本稿では, GAN や拡散モデルなどのバイアス深層生成モデルへのアプローチを導入し, 忠実度の向上や多様性の向上を図ったデータ生成手法を提案する。 提案手法では, 擬似密度という, 個人サンプルの新たな測定基準を用いて, トレーニングとデータ生成の分布を操作する。
  論文  参考訳（メタデータ） (2024-07-11T16:46:04Z)
• Diffusion Forcing: Next-token Prediction Meets Full-Sequence Diffusion [61.03681839276652]
  拡散強制(Diffusion Forcing)は、拡散モデルをトレーニングし、トークンの集合に独立した音レベルを付与する、新たなトレーニングパラダイムである。 因果的次トーケン予測モデルを訓練して1つまたは複数の未来のトークンを生成することで、シーケンス生成モデルに拡散強制を適用する。
  論文  参考訳（メタデータ） (2024-07-01T15:43:25Z)
• Mitigating Shortcut Learning with Diffusion Counterfactuals and Diverse Ensembles [104.60508550106618]
  拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークDiffDivを提案する。 DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。 そこで本研究では,DPM誘導の多様化は,教師付き信号の追加を必要とせず,ショートカットキューへの依存を取り除くのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:47:33Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• GANs with Variational Entropy Regularizers: Applications in Mitigating the Mode-Collapse Issue [95.23775347605923]
  深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。 GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。 情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
  論文  参考訳（メタデータ） (2020-09-24T19:34:37Z)

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。