論文の概要: RoFiGR: Coarse Routing, Fine Refinement via Level-Adaptive Distillation in Multimodal Generative Recommendation

• arxiv url: http://arxiv.org/abs/2610.39470v1
• Date: Thu, 29 Oct 2026 06:41:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:43:18.110221
• Title: RoFiGR: Coarse Routing, Fine Refinement via Level-Adaptive Distillation in Multimodal Generative Recommendation
• Title（参考訳）: RoFiGR:マルチモーダル生成レコメンデーションにおけるレベル適応蒸留による粗いルーティング, 微細化
• Abstract要約: 生成レコメンデータは、アイテムのセマンティック識別子(SID)を一度に1つのコードを予測する。 本稿では,SID構築と生成の両方で協調的な情報を利用する2木レコメンデータであるRoFiGRを紹介する。 Instruments, Arts, and Gamesでは、RoFiGRは評価された外部ベースラインよりも5つのランキング指標をすべて改善している。
• 参考スコア（独自算出の注目度）: 19.645585982395506
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative recommenders predict an item's semantic identifier (SID) one code at a time. Early codes select broad branches, so a routing error can exclude relevant items before fine-grained prediction begins. In multimodal recommendation, these coarse decisions must reflect collaborative preferences as well as item semantics. We introduce RoFiGR, a two-tree recommender that uses collaborative information in both SID construction and generation. It aligns cumulative L1-L2 code vectors with frozen collaborative item embeddings and explicitly encodes item distance and source level in the serialized history. During generation, a sequential teacher supervises legal branches. Fixed coarse-level weights maintain routing supervision, while a bounded adaptive residual allocates additional weight according to teacher-student demand. On Instruments, Arts, and Games, RoFiGR improves all five ranking metrics over the evaluated external baselines. Five-seed paired tests with Holm correction support the main NDCG@10 improvements. Comparisons with alternative collaborative supervision objectives and tokenizers support the proposed design. Matched task and decoding analyses distinguish the effects of training exposure, stream fusion, and candidate budgets.
• Abstract（参考訳）: 生成レコメンデータは、アイテムのセマンティック識別子(SID)を一度に1つのコードを予測する。 初期コードは広い分岐を選択するため、詳細な予測が始まる前に、ルーティングエラーは関連する項目を除外することができる。 マルチモーダルレコメンデーションでは、これらの粗い決定は、アイテムセマンティクスと同様に協調的な選好を反映しなければならない。 本稿では,SID構築と生成の両方で協調的な情報を利用する2木レコメンデータであるRoFiGRを紹介する。 累積的なL1-L2コードベクトルを凍結した協調アイテム埋め込みと整合させ、シリアライズされた履歴におけるアイテム距離とソースレベルを明示的にエンコードする。 世代間、連続教師は法学の分科を監督する。 固定された粗度重みはルーティングの監督を維持し、有界適応残余は教師の要求に応じて追加の重みを割り当てる。 Instruments, Arts, and Gamesでは、RoFiGRは評価された外部ベースラインよりも5つのランキング指標をすべて改善している。 Holm修正による5列ペアテストは、主なNDCG@10の改善をサポートする。 代替の協調的監督目標とトークン化剤との比較は、提案した設計を支持する。 マッチングされたタスクとデコード分析は、トレーニング露出、ストリーム融合、および候補予算の影響を区別する。

関連論文リスト

• Knowledge Distillation across Item and Code Spaces for Parallel Generative Recommendation [6.364028217366383]
  セマンティックIDを用いた生成レコメンデーションは、各項目をそのセマンティック表現から派生した離散コードのシーケンスとして表現する。 並列セマンティックIDレコメンデータのための2つの補完的知識蒸留目標を提案する。 IDMは、生徒の並列コード予測からカタログレベルの項目分布を再構成し、教師の項目分布と整合させる。 CMMは、教師の項目確率を固定されたアイテム・ツー・コード・アサインを使用して各コード位置に投影し、その結果のコード残差を対応する生徒の頭とマッチングする。
  論文  参考訳（メタデータ） (2026-10-23T17:37:55Z)
• OneChord: Distill What You Rank, Recommend in One Pass [6.512147941188453]
  本報告では,1つの学習されたカタログ正規化融合を用いて,次世代の監視,精製蒸留,推論を行うOneChordについて述べる。 我々は,候補条件付けによって生じる融合重みを特徴付け,洗練された予測器の完全触媒であるTop-$K$選択を保存するのに十分な条件を確立する。
  論文  参考訳（メタデータ） (2026-10-19T05:16:36Z)
• INFUSER: Influence-Guided Self-Evolution Improves Reasoning [54.101135873140066]
  2つの共進化的役割を持つ反復的協調学習フレームワークを導入する。 解答器は、生成元が提供する回答に対して標準正当性報酬で訓練される。 8B INF共進化ジェネレータは、数学とコーディングにおいて凍った32B思考ジェネレータより優れている。
  論文  参考訳（メタデータ） (2026-06-08T05:40:36Z)
• DeGRe: Dense-supervised Generative Reranking for Recommendation [22.41679588580571]
  オフラインの探索とオンラインの効率のギャップを、密集した監督によって埋める、ジェネレーティブ・リグレード・フレームワークであるDeGReを提案する。 トレーニング中、評価器から高密度の監視信号に変換し、それらを軽量オンラインジェネレータに蒸留する。 私たちは、Taobao Flash ShoppingにDeGReをうまくデプロイし、オンラインレコメンデーションを大幅に改善しました。
  論文  参考訳（メタデータ） (2026-05-25T12:00:42Z)
• RAGR: Review-Augmented Generative Recommendation [61.29879991713178]
  Review-Augmented Generative Recommendation (RAGR)は、レビューフィードバックを直接生成ユーザシーケンスに組み込む新しいGRフレームワークである。 RAGRは、すべてのメトリクスにわたる強力なGRバックボーンよりも一貫性があり、大きな利益をもたらす。
  論文  参考訳（メタデータ） (2026-05-17T05:21:23Z)
• 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)
• UniGRec: Unified Generative Recommendation with Soft Identifiers for End-to-End Optimization [20.538589808672963]
  我々は、UniGRecという統合された生成レコメンデーションフレームワークを提案する。 UniGRecは、トレーニングと推論の相違、コードワードの使用によるアイテム識別子の崩壊、協調的な信号不足に対処する。 実世界のデータセットの実験では、UniGRecは最先端のベースラインメソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-24T12:20:29Z)
• Rank-GRPO: Training LLM-based Conversational Recommender Systems with Reinforcement Learning [70.6126069527741]
  ConvRec-R1は会話レコメンデーションシステムのエンドツーエンドトレーニングのための2段階のフレームワークである。 ステージ1では,Remap-Reflect-Adjustパイプラインを用いた行動閉鎖データセットを構築した。 ステージ2では,グループ相対政策最適化の原則的拡張である Rank-GRPO を提案する。
  論文  参考訳（メタデータ） (2025-10-23T02:56:00Z)
• Learnable Item Tokenization for Generative Recommendation [113.80559032128065]
  LETTER (Larnable Tokenizer for generaTivE Recommendation) を提案する。 LETTERは、セマンティック正規化のためのResidual Quantized VAE、協調正規化のためのコントラストアライメント損失、コードの割り当てバイアスを軽減するための多様性損失を組み込んでいる。
  論文  参考訳（メタデータ） (2024-05-12T15:49:38Z)

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。