論文の概要: Try Before You Evolve: Ranking-Scored Trials for Recursive Self-Improvement of Recommender Systems
- arxiv url: http://arxiv.org/abs/2610.39352v1
- Date: Thu, 29 Oct 2026 04:45:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-03 00:03:11.794134
- Title: Try Before You Evolve: Ranking-Scored Trials for Recursive Self-Improvement of Recommender Systems
- Title（参考訳）: 試行錯誤:レコメンダシステムの再帰的自己改善のためのランク付けされた試行
- Abstract要約: 本稿では,現行モデルの診断から多種多様な候補編集を生成するRecRSIを提案する。
3つのデータセットに2つのシーケンシャルなレコメンデータを持つRecRSIは、すべての設定で既存の自己進化エージェントを著しく上回っている。
- 参考スコア（独自算出の注目度）: 17.108057271072315
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommenders on Web platforms such as e-commerce and music streaming need their training recipes re-tuned for each dataset. Large language model (LLM) agents can now rewrite these recipes, enabling recursive self-improvement (RSI) of recommender systems. Existing agents propose one edit per round, fully retrain the recommender, and keep the edit only if its ranking quality improves. Unlike programs or patches that can be scored by execution, a recommender edit changes how the model is trained, which raises two challenges. First, ranking feedback is delayed: an edit's ranking quality is known only after full retraining, so much of the retraining budget goes to edits that are later discarded. Second, the signals available before retraining are unreliable: sampled training losses can look solved while full-ranking performance remains poor, and they are not comparable across edits that change the loss or sampler. We propose RecRSI, which generates diverse candidate edits from a diagnosis of the current model and selects one for full retraining using early ranking feedback: each candidate receives a short trial, the first steps of its full training run, scored by full-ranking NDCG@10 on held-out probe users. With two sequential recommenders on three datasets and the same number of full retrainings, RecRSI significantly outperforms existing self-evolving agents in every setting, and on both Amazon datasets reaches in its first round a ranking quality that none of them reaches in five.
- Abstract（参考訳）: eコマースや音楽ストリーミングといったWebプラットフォーム上のレコメンダは、データセット毎にトレーニングレシピを再構築する必要があります。
大規模言語モデル(LLM)エージェントがこれらのレシピを書き換え、レコメンダシステムの再帰的自己改善(RSI)を可能にする。
既存のエージェントは1ラウンドごとに1回の編集を提案し、リコメンデータを完全にリトレーニングし、ランキング品質が改善した場合のみ編集を継続する。
実行によってスコア付けできるプログラムやパッチとは異なり、レコメンデータはモデルのトレーニング方法を変更するため、2つの課題が生じる。
まず、ランク付けのフィードバックが遅れ、編集のランク付けの質が完全にリトレーニングされた後にのみ知られるため、再トレーニングの予算の多くは後に破棄される編集に費やされる。
第二に、再トレーニング前に利用可能な信号は信頼できない: サンプル化されたトレーニング損失は解決されるが、フルレベルのパフォーマンスは依然として貧弱であり、損失またはサンプルラを変更する編集間で同等ではない。
提案するRecRSIは,現行モデルの診断から多種多様な候補編集を生成し,早期のランク付けフィードバックを用いて完全なリトレーニングを行う。
3つのデータセットに2つのシーケンシャルなレコメンデータと、同じ数のフルリトレーニングによって、RecRSIは、すべての設定で既存の自己進化エージェントを著しく上回り、両方のAmazonデータセットが最初のラウンドで到達した。
関連論文リスト
- A-RSI: Adaptive Task Refresh for Zero-Data Multimodal Self-Improvement [83.12675758952777]
トレーニングダイナミクスは、いつ新しい経験を得るかを決定するが、新しいタスクに対する回答は、独立してチェック可能である。
A-RSIは、トレーニングログの報酬変動と精度を監視し、学習信号の低下時にタスクプールをリフレッシュする。
論文 参考訳（メタデータ） (2026-10-28T10:03:42Z) - FASTER: Fast Adjoint Stochastic Transport for Endpoint Refinement in Reward-Guided Image Editing [30.53858248466831]
テスト時のリワード誘導画像編集は、ソースの内容と視覚的可視性を保ちながら、特定の報酬を改善することを目指している。
我々は、報酬、ソース保存、事前訓練された優先的嗜好を共同で説明する理論的枠組みを開発する。
FASTERを導入し、各ソースに対して小さなネットワークをトレーニングし、安価な編集を行う。
論文 参考訳（メタデータ） (2026-10-03T14:09:00Z) - BiasReducer: Adaptive Bias Mitigation for Reward Models [38.16243251408656]
逆モデルでは、大きな言語モデル(LLM)から応答をスコアする。
彼らは長さや自信などの表面的な特性を好み、LCMはより高いスコアを付けるが、より正しい応答は得られない。
線形報酬ヘッダのみを編集し、新しいデータセットごとに関連する編集を選択するフレームワークであるBiasReducerを提案する。
論文 参考訳（メタデータ） (2026-09-26T15:37:43Z) - When AI Reviews Train AI Reviewers: Scientific-Judgment Collapse and Mitigation [50.90087870200793]
大規模言語モデル(LLM)は、科学的な評価にますます参加している。
このフィードバックループの1ステップを制御された環境で研究する。
TrustReviewerは、AIと機械学習論文のピアレビューを生成するための、オープンソースのシステムである。
論文 参考訳（メタデータ） (2026-09-17T18:01:08Z) - ReCAST: Reward Credit Assignment across Timesteps for Online Diffusion Reinforcement [49.49571101362551]
本稿では,ReCAST(Reward Credit Assignment across Timesteps)を提案する。
我々は、ReCASTがトレーニング報酬を超えて、その中核となる原則をサポートするために一般化する改善をもたらすことを示す。
論文 参考訳（メタデータ） (2026-09-11T18:41:09Z) - RSIBench-Data: Benchmarking Data-Centric Research for Recursive Self-Improvement [27.641105176473136]
既存のベンチマークは、最適化、サービス、評価、システム実装と研究上の決定を結びつける。
我々は、LLMエージェントのベンチマークであるRSIBench-Dataを、固定された後学習スタックを持つデータ中心の研究者として紹介する。
ソフトウェア工学,端末利用,科学的質問応答,数学の6つのベンチマークで,フロンティアエージェントを4つ評価した。
論文 参考訳（メタデータ） (2026-07-28T15:46:41Z) - Can LLM Rerankers Predict Their Own Ranking Performance? [73.21268576961573]
テキスト・リランカ内部QPPについて検討し, LLMリランカが生成したランキングの質を推定できるか?
学習自由度推定には, サンプルランキング間の距離特異な自己整合性と, リランカが直接生成する言語的信頼度を検討した。
TREC Deep Learning 2019--2022の4つのLCMによる実験では、自己整合性は最先端(SOTA)アプローチと競合し、ほぼすべての設定でキャリブレーションが向上している。
言語的信頼を改善するために,2つの教師付き方法,Verbを提案する。
論文 参考訳（メタデータ） (2026-06-02T11:57:27Z) - Primal Generation, Dual Judgment: Self-Training from Test-Time Scaling [29.008352630270192]
2つの判断空間から自己学習を行うフレームワークであるDuST(Dual Self-Training)を導入する。
我々は、DuSTがLiveCodeBenchのBest-of-4テストタイムスケーリングを継続的に改善していることを示します。
LiveCodeBench v6のQwen3-30B-Thinkingでは、判定品質が+6.2 NDCG、シングルサンプルパス@1が+3.1、Best-of-4の精度が+4.1向上している。
論文 参考訳（メタデータ） (2026-05-11T22:34:45Z) - Explanation Quality Assessment as Ranking with Listwise Rewards [21.107094956399262]
我々は、世代問題ではなく、ランキング問題として、説明品質評価を再構築する。
品質レベルが向上したインスタンスごとの候補セットを構築し,複数の候補を識別するために報奨モデルを構築した。
ポリシー最適化において報酬として使用される場合、ランキングベースのスコアは、回帰ベースの報酬が完全に失敗する設定において安定した収束を可能にする。
論文 参考訳（メタデータ） (2026-04-27T08:35:30Z) - ReasonRank: Empowering Passage Ranking with Strong Reasoning Ability [83.16850534680505]
本稿では,自動推論集約型トレーニングデータ合成フレームワークを提案する。
自己整合性データフィルタリング機構は、データ品質を保証するために設計されている。
トレーニングされた推論集約型リランカ textbfReasonRank は,BRIGHT のリーダボード上での最先端 (SOTA) のパフォーマンス40.6 を達成する。
論文 参考訳（メタデータ） (2025-08-09T17:26:18Z) - Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。
本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。
我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文 参考訳（メタデータ） (2022-07-04T17:49:25Z)
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。