論文の概要: Can Complementary Signals Bridge Similarity Islands? Manifold-Augmented Graph Embedding for Multimodal Recommendation
- arxiv url: http://arxiv.org/abs/2610.37409v1
- Date: Tue, 27 Oct 2026 15:26:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.676735
- Title: Can Complementary Signals Bridge Similarity Islands? Manifold-Augmented Graph Embedding for Multimodal Recommendation
- Title（参考訳）: 補完信号は類似する島々を橋渡しできるか? マルチモーダルレコメンデーションのためのマニフォールド強化グラフ埋め込み
- Abstract要約: MAGE(Manifold-Augmented Graph Embedding)は、マルチモーダルランキングをパーソナライズするフレームワークである。
MAGEデカップリングは、モデリングをオフラインの幾何学的ワープとオンライントポロジ的伝播に補完する。
4つのAmazonデータセットの実験によると、MAGEは強力なマルチモーダルレコメンデーションベースラインよりも一貫した改善をもたらす。
- 参考スコア（独自算出の注目度）: 25.455101455137576
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal Recommender Systems (MMRS) leverage rich item features to mitigate data sparsity, yet similarity-driven graph construction and propagation can favor semantically similar substitutes over functionally related complements. When behavioral associations connect semantically distant items, complementary signals can remain geometrically isolated, yielding fragmented "Similarity Islands" and semantic drift when standard propagation is applied. To overcome these limitations, we propose MAGE (Manifold-Augmented Graph Embedding), a framework for personalized multimodal ranking that decouples complementarity modeling into offline geometric warping and online topological propagation. The offline phase enhances item representations by extracting complement-aware residual directions via a Soft Conceptor mechanism and injecting them under a local gap-preserving constraint, incorporating co-purchase evidence while controlling the magnitude of geometric perturbation. Synergistically, the online phase employs an asymmetric dual-stream GNN that treats visual features as stable anchors and augmented textual features as flexible probes, fused through a self-calibrated cross-modal mechanism to reconcile shared semantics and modality-specific residual cues. Extensive experiments on four Amazon datasets show that MAGE yields consistent improvements over strong multimodal recommendation baselines. Together with the supporting analyses in the appendix, these results suggest that geometry-aware augmentation can alleviate the semantic mismatch that arises in complementary recommendation settings. Our code is available at https://github.com/Alex-bupt/mage.
- Abstract（参考訳）: マルチモーダル・レコメンダ・システム(MMRS)は、豊富なアイテム機能を活用してデータの分散を緩和するが、類似性に基づくグラフ構築と伝播は、機能的に関連する補完よりも意味的に類似した代用を好んでいる。
行動アソシエーションが意味的に離れた項目を結び付ける場合、補完的な信号は幾何学的に孤立し続け、「類似の島」が断片化され、標準的な伝播が適用されると意味的ドリフトが生じる。
これらの制限を克服するため,我々は,相互補完性モデリングをオフライン幾何ワーピングとオンライントポロジ的伝播に分離する,パーソナライズされたマルチモーダルランキングのためのフレームワークであるMAGE(Manifold-Augmented Graph Embedding)を提案する。
オフラインフェーズは、ソフトコンセプタ機構を介して補認識残留方向を抽出し、それらを局所的なギャップ保存制約の下で注入し、幾何学的摂動の大きさを制御しながら、共購入証拠を組み込むことにより、アイテム表現を強化する。
オンラインフェーズでは、非対称なデュアルストリームGNNを使用して、視覚的特徴を安定したアンカーとして扱い、拡張されたテキスト的特徴を柔軟なプローブとして扱う。
4つのAmazonデータセットに対する大規模な実験は、MAGEが強力なマルチモーダルレコメンデーションベースラインよりも一貫した改善をもたらすことを示している。
付録の補助分析と合わせて,これらの結果は,相補的な推奨設定で生じる意味的ミスマッチを和らげることが示唆された。
私たちのコードはhttps://github.com/Alex-bupt/mage.comから入手可能です。
関連論文リスト
- MSGAT: Multi-Head Spiking Graph Attention with Similarity-Space Fusion for Image-Text Retrieval [73.03281886969113]
スパイキングニューラルネットワーク(SNN)は、スパースイベント駆動計算によるエネルギー効率の高い計算パラダイムを提供する。
画像テキスト検索(ITR)のような高レベルのマルチモーダルタスクにSNNを適用することは依然として困難である。
粗さときめ細かなマッチング関係を統合した類似性空間の融合アライメント戦略である textbfSim-Fuse を導入する。
論文 参考訳（メタデータ） (2026-10-08T08:56:27Z) - MURAL: Multimodal Uncertainty-aware Recommendation via Adaptive edge Learning [8.921188716837312]
muraLは、固定構造拡張から動的トポロジー発見へ、マルチモーダルレコメンデーションをシフトする統合フレームワークである。
構造的剛性に対処するために、Adaptive Edge Learnerは、識別可能な検索強化戦略と近似した近接探索を組み合わせることで、潜時アイテム-イテム相関を発見する。
意味的脆弱性に対処するため、不確実性認識融合モジュールは、不均一なモーダル性のアレター的不確かさをモデル化し、動的に重み付け不能な特徴をモデル化する。
論文 参考訳（メタデータ） (2026-09-04T00:06:53Z) - Multimodal Distribution Matching for Vision-Language Dataset Distillation [50.411341509805936]
マルチモーダル分散マッチング(Multimodal Distribution Matching)は、効率的かつ一般化可能なマルチモーダル蒸留のための幾何学的枠組みである。
MDMはデータ、モデル、損失レベルで補完的なコンポーネントを統合する。
マルチモーダルなセマンティクスを保存し、蒸留コストを大幅に削減し、建築全体にわたって頑丈な、コンパクトな合成セットを生成する。
論文 参考訳（メタデータ） (2026-05-22T10:41:58Z) - Riemannian Networks over Full-Rank Correlation Matrices [102.84784139051526]
フルランク相関行列は対称正定値多様体(SPD)の正規化された代替である。
我々はこれらのジオメトリに、MLR(Multinomial Logistic Regression)、FC(Fully Connected)、畳み込み層を含む基本層を拡張した。
また、2つの相関ジオメトリの正確なバックプロパゲーション法を提案する。
論文 参考訳（メタデータ） (2026-05-18T19:54:55Z) - Entropy-Regularized Adjoint Matching for Offline Reinforcement Learning [12.008878527093364]
連続フローの定式化における制限に対処する統一フレームワークであるtextitMaximum Entropy Adjoint Matching (ME-AM) を提案する。
ME-AMは,(1) オフラインデータセットからの最適ポリシー抽出を容易にするために,人気バイアスに付随するミラー・ディフレッシュ・エントロピー・オブジェクト,(2) テキスト・ミクチャー・ビヘイビア,(2) 幾何学的サポートを広げて分布外高次領域を包含する,という2つのメカニズムを取り入れている。
論文 参考訳（メタデータ） (2026-05-07T12:47:55Z) - Contrastive Multi-Modal Hypergraph Reasoning for 3D Crowd Mesh Recovery [12.116457701406047]
実世界のインタラクション分析において,多人数の3D再構成が重要である。
現在のアプローチは、本質的に幾何学的なガイダンスが欠如している単一モダリティ入力に依存している。
コントラスト型マルチモーダルハイパーグラフ推論により, 群集再建のための意味的, 幾何学的, ポーズ的手がかりの相乗化を行う。
論文 参考訳（メタデータ） (2026-04-01T09:39:01Z) - Modality-Guided Mixture of Graph Experts with Entropy-Triggered Routing for Multimodal Recommendation [6.815406906400871]
マルチモーダルレコメンデーションは、ユーザ-イテムインタラクションとアイテムコンテンツを統合することでランキングを強化する。
既存のアプローチは、しばしば共有融合経路に依存し、絡み合った表現とモダリティの不均衡をもたらす。
マルチモーダルレコメンデーションのためのプログレッシブエントロピートリガー付きルーティングを用いた適応グラフエキスパートネットワークのモダリティ誘導混合を提案する。
論文 参考訳（メタデータ） (2026-02-24T09:36:45Z) - Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。
VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。
合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
論文 参考訳（メタデータ） (2026-01-30T03:59:38Z) - Exploring Homogeneous and Heterogeneous Consistent Label Associations for Unsupervised Visible-Infrared Person ReID [57.500045584556794]
均質かつ不均一なインスタンスレベルの構造を同時に説明できるModality-Unified Label Transfer (MULT) モジュールを導入する。
提案したMULTは、生成した擬似ラベルがモダリティ間の整合性を維持しつつ、モダリティ内の構造的整合性を維持することを保証する。
実験の結果,提案手法は既存のUSL-VI-ReID法よりも優れていた。
論文 参考訳（メタデータ） (2024-02-01T15:33:17Z)
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。