論文の概要: Compote: Collapse-Resistant Multiple Hypothesis Learning For Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2610.37005v1
• Date: Tue, 27 Oct 2026 10:50:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.570324
• Title: Compote: Collapse-Resistant Multiple Hypothesis Learning For Sequential Recommendation
• Title（参考訳）: 結論:逐次レコメンデーションのための多重仮説学習
• Abstract要約: 次世代の予測は本質的に曖昧である。 耐コラプス性多発性ヒポテシスlEarning(COMPOTE)について紹介する。 項目IDのみを用いて,CompoTEは強力なIDベース,生成,多目的ベースラインよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 16.44626773251481
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Next-item prediction is inherently ambiguous: a single interaction history often admits multiple plausible continuations across distinct catalogue regions. Standard sequential recommenders compress these alternatives into a single prediction, conflating user intents. We introduce COllapse-resistant Multiple hyPOThesis lEarning (COMPOTE), a multi-hypothesis transformer trained with an annealed objective that transitions from uniform supervision to a winner-takes-all assignment. This mechanism forces hypotheses to specialize into distinct catalogue regions, while inference relies on an efficient, normalizer-free max-similarity rule. Theoretically, we show that in the population case, the optimal solutions partition the conditional next-item distribution according to a max-entropy quantization principle, while pooled scores preserve the Bayes-optimal ranking. We also prove a generalization bound scaling logarithmically with the number of hypotheses. Across three Amazon Reviews 2023 benchmarks, COMPOTE outperforms strong ID-based, generative, and multi-interest baselines using item IDs alone. Matched-capacity ablations confirm that performance gains stem directly from the annealed objective, preventing the head collapse observed in conventional multi-head architectures, rather than added capacity, ensembling, or routing.
• Abstract（参考訳）: 一つの相互作用の歴史は、しばしば異なるカタログ領域にまたがる複数のもっともらしい連続を許容する。 標準的なシーケンシャルレコメンダは、これらの代替案を単一の予測に圧縮し、ユーザの意図を混同する。 マルチハイポテーシス変換器であるColllapse-resistant Multiple hypothesis lEarning(COMPOTE)を導入する。 このメカニズムは仮説を異なるカタログ領域に特殊化させ、推論は効率的で正規化なしの最大相似性規則に依存している。 理論的には、最適解は、最大エントロピー量子化原理に従って条件付き次点分布を分割し、プールされたスコアはベイズ最適ランキングを保持する。 また、仮定の数と対数的に有界なスケーリングの一般化も証明する。 Amazon Reviews 2023ベンチマークの3つで、CompoTEはアイテムIDだけで強力なIDベース、生成、多目的ベースラインを上回っている。 マッチング容量の短縮により、性能向上はアニールされた目的から直接発生し、キャパシティやアンサンブル、ルーティングを付加するのではなく、従来のマルチヘッドアーキテクチャで観測されたヘッド崩壊を防ぐことができる。

関連論文リスト

• Distributional Split Criteria for Random Forests: Extensions, Shrinkage, and the Robustness of Mean Splitting [0.0]
  分布ランダム林は、平均的CART分割を、候補児の完全な条件応答分布と比較する基準に置き換える。 我々は、単一の誠実なフォレスト実装の中で、そのような基準のファミリーを実装し、体系的に研究する。
  論文  参考訳（メタデータ） (2026-07-26T15:37:30Z)
• Selective Ensemble Based on Preference-Directed Multi-Objective Bandits [90.75513823660775]
  我々は、部分的に指定された線形選好の下で逐次決定問題を定式化する。 次に、嗜好指向の高信頼度境界(PrefUCB)アルゴリズムを提案する。 大規模な事前学習型モデル選択アンサンブルタスクと,機関委任下でのオンラインアセットアロケーションの実験により,本手法が検証された。
  論文  参考訳（メタデータ） (2026-06-20T07:52:46Z)
• Quantum-Inspired Trace-Augmented Evidence Selection for Reasoning over Structured Hypothesis Spaces [3.080533334837387]
  大規模言語モデル (LLMs) は、法律のようなエビデンスに強い専門分野において脆弱なままである。 EP-HUBOは複数のCoTトレースを小さな局所モデルで生成し、断片を仮説ごとのエビデンスプールに解析し、品質由来の重み付きプール毎の高次非制約バイナリ最適化を解決し、フロンティアモデルに1問1の偏見呼び出しを委譲する。
  論文  参考訳（メタデータ） (2026-06-05T06:12:11Z)
• DistMatch: Adaptive Binning via Distribution Matching for Robust Sequential Conformal Prediction [23.741565251166488]
  DistMatchは、KS(Kolmogorov-Smirnov)統計を用いて、バイナリツリー内で残余を分割するバイナリベースの方法である。 この分断によって葉がほぼ交換可能となり,再重み付けの必要がなくなることを示す。
  論文  参考訳（メタデータ） (2026-05-30T11:57:29Z)
• Multi-Distribution Robust Conformal Prediction [15.5300376981723]
  複数の異種分布に対して一様に有効である共形予測集合を構築することの問題点について検討する。 まず,有限サンプル・複数分布カバレッジを実現する最大pアグリゲーション方式を提案する。 本稿では,グループ単位での分散的ロバストな最適化,サブポピュレーションシフト,公平性,マルチソース学習との関連性について論じる。
  論文  参考訳（メタデータ） (2026-01-06T13:22:13Z)
• Principled Multimodal Representation Learning [99.53621521696051]
  マルチモーダル表現学習は、多様なデータモダリティを統合することにより、統一された表現空間を作ろうとする。 最近の進歩は、複数のモードの同時アライメントを調査しているが、いくつかの課題が残っている。 複数モーダルの同時アライメントを実現する新しいフレームワークであるPMRL(Principled Multimodal Representation Learning)を提案する。
  論文  参考訳（メタデータ） (2025-07-23T09:12:25Z)
• From Randomized Response to Randomized Index: Answering Subset Counting Queries with Local Differential Privacy [27.59934932590226]
  ローカル微分プライバシ(LDP)は、個々のデータプライバシを保護するための主要なプライバシモデルである。 我々は、値の摂動ではなく、値のインデックスにランダム化を適用する別のアプローチを提案する。 乱数化インデックスのデニビリティに着想を得て,集合値データに対するサブセットカウントクエリに応答するCRIADを提案する。
  論文  参考訳（メタデータ） (2025-04-24T13:08:11Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• Modeling Sequences as Distributions with Uncertainty for Sequential Recommendation [63.77513071533095]
  既存のシーケンシャルメソッドの多くは、ユーザが決定論的であると仮定する。 項目-項目遷移は、いくつかの項目において著しく変動し、ユーザの興味のランダム性を示す。 本稿では,不確実性を逐次モデルに注入する分散型トランスフォーマーシークエンシャルレコメンデーション(DT4SR)を提案する。
  論文  参考訳（メタデータ） (2021-06-11T04:35:21Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)

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。