論文の概要: Where Beam Search Loses Top-Ranked Items:First-Step Coverage in Generative Recommendation

• arxiv url: http://arxiv.org/abs/2611.01072v1
• Date: Sat, 31 Oct 2026 16:09:48 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:49:19.406521
• Title: Where Beam Search Loses Top-Ranked Items:First-Step Coverage in Generative Recommendation
• Title（参考訳）: ビームサーチが最上位項目を失う場所:生成的勧告における第1段階のカバレッジ
• Abstract要約: 生成レコメンデーションは、保持容量を再配置することにより、プレフィックス容量の約半分の予算で、より広いビームの出力を再現することができる。 残留量子化変分オートエンコーダ(RQ-VAE)トークン化を持つ全77,373人のテストユーザに対して、再配置されたスケジュールは、301ではなく151の予算でビーム100の順序付きトップ10を再現する。
• 参考スコア（独自算出の注目度）: 16.247961569130357
• License:
• Abstract: Generative recommendation can reproduce a wider beam's ranked output with roughly half the prefix-capacity budget by reallocating retention capacity across semantic-ID positions. We identify a \emph{first-step coverage bottleneck}: across six full-test settings of the TIGER generative recommender spanning three domains and two identifier constructions, every pruned exact top-10 path is first lost at the initial decoding step. An exact-catalog reference isolates search losses and guides a controlled budget intervention. Moving width to the first step raises Search Recall@10 by 0.96--10.90 percentage points at Beam-50's unchanged budget. Across all 77,373 test users with residual-quantized variational autoencoder (RQ-VAE) tokenization, the reallocated schedule reproduces Beam-100's ordered top-10 at nominal budgets of 151 rather than 301, without retraining or changing identifiers or scores. Matched-output timing saves 6.35--6.39\% of decoder latency; profiling identifies the execution costs that limit the translation from reduced search work to runtime savings. Larger-candidate experiments reveal how output size changes retention requirements. These findings make budget placement an actionable serving decision: locate ranking loss, redirect search capacity, and preserve downstream inputs before increasing uniform beam width.
• Abstract（参考訳）: 生成レコメンデーションは、セマンティックID位置間で保持能力を再配置することにより、約半分のプレフィックス容量予算で、より広いビームの出力を再現することができる。 3つのドメインと2つの識別子構造にまたがるTIGER生成レコメンデーションの6つのフルテスト設定において、すべてのプルーニングされた正確なトップ10パスが最初のデコードステップで失われる。 正確なカタログ参照は、検索損失を分離し、制御された予算介入を誘導する。 最初のステップに幅を移すと検索リコール@10が0.96～10.90ポイント上昇する。 残留量子化変分オートエンコーダ(RQ-VAE)トークンを使用する全77,373人のテストユーザに対して、再配置されたスケジュールは、識別子やスコアを調整したり変更することなく、301ではなく151の予算でビーム100の順序付きトップ10を再現する。 マッチング出力のタイミングはデコーダの遅延の6.35--6.39\%を節約する。 より大きな候補実験は、出力サイズが保持要求をどのように変えるかを明らかにする。 これらの知見は,均一ビーム幅を増大させる前に,ランキング損失の特定,探索能力のリダイレクト,下流入力の保存といった,予算配置を実用的なサービス決定に導く。

関連論文リスト

• Separating Thinking from Spelling for Efficient Generative Recommendation [3.888911542098557]
  生成レコメンデーションは、トリエ制約ビームサーチの下でコードでセマンティックID(SID)コードを書くことでアイテムを検索する。 Deco(概念から復号する)を導入し、歴史を読み取るのと識別子を書くのを分離する。 電子商取引、映画、音楽ストリーミングの7つのデータセットで、Decoは標準的な生成的推薦者とフルバックボーンの教師の両方に匹敵する、あるいはより良い精度を達成している。
  論文  参考訳（メタデータ） (2026-10-23T17:59:24Z)
• Drafting Agents, Not Just Tokens: Speculative Recursive Self-Improvement for Agentic Systems [58.89141999692635]
  提案するSpeculative Recursive Self-Improvement(SpecRSI)は,前任者が十分に評価される前に,実行可能な後継エージェントをドラフトする。 VATSは、予測された継続の返却を使って、さらなる編集と優れたチェックの間に予算を割り当てる。 グループ検証最適化(GVO)は、実際の評価器を固定しながら、完了した探索から改善器を学習する。
  論文  参考訳（メタデータ） (2026-10-12T09:43:48Z)
• Token-Budgeted Escalation for Financial Document QA: Cost Is Predictable, Benefit Is the Bottleneck [2.650267352862835]
  検索拡張生成システムは、難しいクエリをより深いコンテキストにルーティングすることができる。 バッチデプロイメントは、クエリによってコストが変わるコール間で共有トークンの予算を割り当てなければならない。 我々は、財務文書質問応答のための有限バッチ割当として選択的エスカレーションを定式化する。
  論文  参考訳（メタデータ） (2026-10-06T04:55:53Z)
• RobustSGPO: Search-Space Control for Agent Harness Evolution [56.722805974785125]
  我々は、要求された編集、構成、パッチのチェックを指定し、既存のスナップショットまたは保持スナップショットからの検索を継続するRobustSGPOを紹介した。 我々は,120タスク,95ラン,7350の候補を用いて,AgentXブレインストーミングワークフローにおけるパーミッションスケジューリング,累積制御,タスクファミリー転送を評価した。
  論文  参考訳（メタデータ） (2026-09-09T03:00:03Z)
• Adaptively Incorporating Directional Hints into Zeroth-Order Optimization [49.940317286021696]
  本研究では,非関数の次数ゼロの最適化を実現するアルゴリズムを開発した。 非制御タスクにおける持続的な進捗を示す手法を検証した。
  論文  参考訳（メタデータ） (2026-09-08T05:42:02Z)
• Query-Aware Token Budgeting for Efficient Late-Interaction Visual Document Retrieval [2.9503571330401814]
  遅延処理による視覚的文書検索は、ページ毎に多数のトークン埋め込みを格納することで、きめ細かいページ証拠を保存する。 提案手法は,高度に圧縮されたホットパスインデックスが候補を生成し,その後,ショートリストページのオリジナルトークンセット上でクエリ対応トークン予算処理を行う方法である。
  論文  参考訳（メタデータ） (2026-09-07T09:18:03Z)
• RecGPT-Mobile-V2 Technical Report [22.10290138930905]
  RecGPT-Mobile-V2は、意図的品質と実行効率をステージド設計の目的として扱うエンドツーエンドフレームワークである。 このフレームワークは異種間相互作用をエビデンス保存軌道に変換し、ドメイン適応と教師付きアライメントを通じてレコメンデーションネイティブ基盤を確立する。 オンライン検索分析では、クエリリコールチャネルは、確立されたリコールチャネルによってサーフェスされたインベントリに補完されるインベントリを検索することを示している。
  論文  参考訳（メタデータ） (2026-08-25T09:23:17Z)
• Closing the Indexing-Decoding Gap in Multimodal Generative Retrieval via Prefix Retention Optimization [68.48718919047127]
  マルチモーダル生成検索式は、複数のモーダル検索を離散識別子生成として定義し、外部埋め込みよりも明示的な類似性探索を不要とする。 既存の手法では、残差量子化によって識別子を構築し、トリエ制約ビームサーチでデコードする。 この組み合わせは、インデックス化とデコーディングのギャップを導入している: 識別子学習の目的は、再構成や対照的な損失を含むが、デコーディング中にプレフィックスの識別性を明示的に強制しない。 1)プレフィックスの格付け蒸留は、リストワイドロスを用いた事前量子化埋め込みによって誘導されるプレフィックスと整合する; (ii)語彙スケジューリングは、コードブックを増大させる。
  論文  参考訳（メタデータ） (2026-06-08T09:15:47Z)
• When Is Rank-1 Steering Cheap? Geometry, Granularity, and Budgeted Search [61.73232505100331]
  アクティベーションステアリングは、再トレーニングせずにLSMを制御する軽量な方法を提供するが、その効果は概念によって大きく異なる。 我々は介入層と係数に対する予算制約付き最適化としてランク1ステアリングを定式化する。 操作困難の原因の診断にアクティベーション幾何を利用するグラニュラリティおよび表現認識概念工学フレームワークである textitGRACE を提案する。
  論文  参考訳（メタデータ） (2026-05-09T14:26:49Z)

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。