論文の概要: RecRSI: Mechanism-Guided Discovery of Recommendation Algorithms

• arxiv url: http://arxiv.org/abs/2611.02487v1
• Date: Mon, 02 Nov 2026 04:02:13 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:16:29.679813
• Title: RecRSI: Mechanism-Guided Discovery of Recommendation Algorithms
• Title（参考訳）: RecRSI:レコメンデーションアルゴリズムのメカニズムガイドによる発見
• Abstract要約: 本稿では,アルゴリズム発見の組織化にメカニズム仮説を用いるフレームワークであるRecRSIを提案する。 4つの最初のレコメンデータと4つのデータセットのうち、RecRSIはNDCG@5では8.48%、HR@5では6.88%の平均的な相対的な改善をもたらす。
• 参考スコア（独自算出の注目度）: 37.99636520881927
• License:
• Abstract: Improving recommendation algorithms for the Web requires coordinating interacting design choices and learning from experiments. We present RecRSI, an LLM-based research framework that uses mechanism hypotheses to organize algorithm discovery. Each hypothesis links a proposed mechanism change to a reference design, a rationale, and an expected observation. MechSpace derives implementable primitives and composition rules from the task source; Research Line uses this space and prior evidence to develop and test hypotheses; Mechanism Feedback carries outcomes and their design context into subsequent research. This organization makes each experiment inform which mechanisms to develop, revise, or combine next. Across four initial recommenders and four datasets, RecRSI yields average relative improvements of 8.48% in NDCG@5 and 6.88% in HR@5 over the initial algorithms, and 2.60% and 2.20%, respectively, over the strongest competing result for each setting and metric. Component and process studies link these gains to coordinated mechanism choices and evidence-guided follow-up. Our code is publicly available at https://github.com/DynamisG210/RecRSI.
• Abstract（参考訳）: Webのための推奨アルゴリズムを改善するには、相互作用する設計の選択と実験からの学習を調整する必要がある。 本稿では、機構仮説を用いてアルゴリズム発見を組織化するLLMベースの研究フレームワークであるRecRSIを提案する。 それぞれの仮説は、提案されたメカニズムの変更を基準設計、理論的、期待される観察と結びつけている。 MechSpaceは、タスクソースから実装可能なプリミティブとコンポジションルールを導き、Research Lineは、この空間と事前のエビデンスを使用して仮説の開発とテストを行う。 この組織はそれぞれの実験に、次にどのメカニズムを開発し、修正し、組み合わせるかを知らせる。 4つのイニシャルレコメンデータと4つのデータセットのうち、RecRSIは、初期アルゴリズムよりもNDCG@5で8.48%、HR@5で6.88%、それぞれ2.60%と2.20%の平均相対的な改善を、それぞれの設定とメートル法において最強の競合結果よりも得る。 コンポーネントとプロセスの研究は、これらの利得を協調されたメカニズムの選択とエビデンスに導かれたフォローアップと関連付けている。 私たちのコードはhttps://github.com/DynamisG210/RecRSIで公開されています。

関連論文リスト

• Hypothesis-Driven Deep Research with Large Language Models: A Structured Methodology for Automated Knowledge Discovery [0.0]
  現在のAIによる研究システムは、仮説を科学的発見の終末産物として扱う、直接的な探索テーマの要約パラダイムを採用している。 仮説は、研究プロセス自体を構成する組織的なマッチング手段として、はるかに強力な役割を果たす可能性があります。 本稿では,仮説駆動型深層研究(I)パイプライン手法を提案する。
  論文  参考訳（メタデータ） (2026-05-11T09:04:09Z)
• CoSearch: Joint Training of Reasoning and Document Ranking via Reinforcement Learning for Agentic Search [51.911048955965136]
  CoSearchは多段階推論エージェントと生成ドキュメントランキングモデルを共同でトレーニングするフレームワークである。 この結果から, 推論エージェントと検索システムの協調訓練は, 実現可能であり, 性能も高いことが示唆された。
  論文  参考訳（メタデータ） (2026-04-19T17:48:17Z)
• From AI Assistant to AI Scientist: Autonomous Discovery of LLM-RL Algorithms with LLM Agents [51.12380889298618]
  POISEは、言語モデルのためのポリシー最適化アルゴリズムの自動発見のためのフレームワークである。 PoISEは構造化され、属学的にリンクされたアーカイブリンクの提案、実行可能な実装、標準化された評価、自然言語のリフレクションを維持している。
  論文  参考訳（メタデータ） (2026-03-25T05:19:23Z)
• Early Discoveries of Algorithmist I: Promise of Provable Algorithm Synthesis at Scale [9.349595533902479]
  Algorithmistは、GitHub Copilot上の自律的な研究者エージェントである。 プライベートデータ分析およびクラスタリングにおける研究レベルのタスクについて評価する。 結果は,LLMシステムが各データセットやデプロイメント設定に合わせて,研究論文品質のアルゴリズムアーティファクトを生成する新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-03-23T04:06:55Z)
• SynPlanResearch-R1: Encouraging Tool Exploration for Deep Research with Synthetic Plans [65.19021035010059]
  リサーチエージェントは、ユーザークエリに回答するツールを使用して、モデルがWebから情報を集めることができる。 エージェントは、未熟期の終了やツール使用の偏りなど、探索行動に乏しいことが多いことを観察する。 より深い探索を促進するためのツール利用軌跡を合成するフレームワークであるSynPlanResearch-R1を提案する。
  論文  参考訳（メタデータ） (2026-03-09T00:05:29Z)
• OR-Agent: Bridging Evolutionary Search and Structured Research for Automated Algorithm Discovery [10.217363774023033]
  OR-Agentは、リッチな実験環境における自動探査のために設計されたマルチエージェントの研究フレームワークである。 本稿では,研究開始点の進化的選択,総合的な研究計画生成,研究ツリー内の協調探索を統一する進化的システム機構を提案する。 我々は古典的最適化ベンチマーク(走行セールスマン、静電容量化車両ルーティング、ビンパッキング、オリエンテーリング、および複数のクナップサック問題を含む)およびシミュレーションに基づく協調運転シナリオを含む実験を行う。
  論文  参考訳（メタデータ） (2026-02-14T13:32:03Z)
• IRIS: Interactive Research Ideation System for Accelerating Scientific Discovery [27.218896203253987]
  IRISは、研究者が大規模言語モデル(LLM)を補助する科学的概念を活用するために設計されたオープンソースのプラットフォームである。 IRISは、モンテカルロ木探索(MCTS)による適応的なテスト時間計算拡張、きめ細かいフィードバック機構、クエリベースの文献合成など、アイデアを強化する革新的な機能を備えている。 我々は様々な分野の研究者とユーザスタディを行い、システムの有効性を検証し、アイデアの充実を図っている。
  論文  参考訳（メタデータ） (2025-04-23T14:01:36Z)
• MRSO: Balancing Exploration and Exploitation through Modified Rat Swarm Optimization for Global Optimization [3.7503163440313463]
  本研究では,探索と搾取のバランスを高めるため,MRSO(Modified Rat Swarm)を導入する。 MRSOは探索効率と耐久性を改善するために独自の改良を加えており、溶接ビーム、圧力容器、ギヤトレインの設計といった挑戦的な工学的問題に適合している。 CEC 2019ベンチマークでは、MRSOは10機能中6機能で標準RSOよりも優れており、優れたグローバル検索能力を示している。
  論文  参考訳（メタデータ） (2024-09-20T14:52:25Z)
• NeuroBench: A Framework for Benchmarking Neuromorphic Computing Algorithms and Systems [50.076028127394366]
  ニューロベンチ(NeuroBench)はニューロモルフィックコンピューティングアルゴリズムとシステムのためのベンチマークフレームワークである。 NeuroBenchは、業界や学界にまたがる研究者のオープンなコミュニティによる共同開発である。
  論文  参考訳（メタデータ） (2023-04-10T15:12:09Z)

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。