論文の概要: SourceFlow: Collaborative Source Coupling for Flow-Based Recommendation

• arxiv url: http://arxiv.org/abs/2611.04455v1
• Date: Tue, 03 Nov 2026 07:45:02 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:58:11.828149
• Title: SourceFlow: Collaborative Source Coupling for Flow-Based Recommendation
• Title（参考訳）: SourceFlow: フローベースのレコメンデーションのためのコラボレーティブソース結合
• Abstract要約: 拡散に基づくリコメンデータは、インタラクション履歴を識別することで、ユーザの好みを学習する。 フローベースのコラボレーティブフィルタリング(CF)は、サンプルソースからユーザの観察されたトレーニングインタラクションへの個別のパスを学習する。
• 参考スコア（独自算出の注目度）: 12.714327925292727
• License:
• Abstract: Diffusion-based recommenders learn user preferences by denoising interaction histories, but the added noise can distort the original preference signals. Flow-based collaborative filtering (CF) instead learns a discrete path from a sampled source to the user's observed training interactions (the target history), enabling inference in a few steps. Existing flow-based CF methods sample sources using global item frequencies to reflect the sparsity and popularity of observed interactions. Each source is sampled independently of its target history, leaving the predictor without user-specific source cues for learning to reconstruct that history. We propose SourceFlow, which brings collaborative structure into the source distribution itself rather than adding further conditioning to the predictor. Like inference from observed histories, training uses collaborative evidence to predict missing interactions. Specifically, Neighborhood Coupling constructs displaced binary sources by replacing historical items with unobserved collaborative alternatives. Collaborative Consensus further refines replacement probabilities using evidence from other interactions of users who share the observed item. Stretched Restoration retains these replacements at late flow times during training, providing more opportunities to recover the original interactions. Experiments on five recommendation datasets show consistent improvements over competitive baselines, including a mean relative Recall@10 gain of 15.7% over the strongest flow-based baseline. Controlled experiments confirm that these gains depend on correctly pairing collaborative sources with their target histories, as reassigning the same source vectors across users reverses the gains. Code will be publicly released upon acceptance.
• Abstract（参考訳）: 拡散に基づくリコメンデータは,インタラクション履歴を識別することでユーザの好みを学習するが,ノイズを付加することで元の好み信号を歪めることができる。 フローベースのコラボレーティブフィルタリング(CF)は、サンプルソースからユーザの観察されたトレーニングインタラクション(ターゲット履歴)への離散パスを学習し、いくつかのステップで推論を可能にする。 既存のフローベースCF法では, 観測された相互作用の疎さと人気を反映するために, グローバルアイテム周波数を用いたサンプルソースが使用されている。 それぞれのソースは対象の履歴とは独立してサンプリングされ、その履歴を再構築する学習のためのユーザ固有のソースキューのない予測器が残る。 我々は、予測子にさらなる条件付けを加えるのではなく、ソース分布自体に協調的な構造をもたらすSourceFlowを提案する。 観察された歴史からの推測と同様に、トレーニングは、行方不明な相互作用を予測するために協調的なエビデンスを使用する。 具体的には、近隣の結合は、歴史的な項目を保存されていない協調的な代替品に置き換えることで、置換されたバイナリソースを構成する。 コラボレーティブ・コンセンサスは、観察された項目を共有するユーザの他のインタラクションからの証拠を用いて、置換確率をさらに改善する。 ストレッチ修復は、トレーニング中の後期のフロータイムにこれらの代替品を保持し、元のインタラクションを回復する機会を増やしている。 5つのレコメンデーションデータセットの実験では、競争ベースラインよりも一貫して改善されている。 制御された実験により、これらのゲインは、目標とする履歴と協調したソースを正しくペアリングすることに依存しており、ユーザ間で同じソースベクトルを再割り当てすることで、ゲインを反転させる。 コードは受理後に公開される。

関連論文リスト

• In-Context Black-Box Optimization with Unreliable Feedback [20.948688720498644]
  フィードバックインフォームド・インコンテクスト・ブラックボックス最適化(FICBO)について検討する。 本稿では,フィードバックソースが真の目的に対してアクセス,関連性,歪みにどう影響するかをモデル化した構造化されたフィードバックを導入し,フィードバックトランスフォーマーの事前訓練を行う。 合成および実世界のタスクでは、FICBOは情報フィードバックを効果的に活用し、弱いまたは誤解を招くソースに頑健に留まる。
  論文  参考訳（メタデータ） (2026-05-07T13:03:19Z)
• AR-Flow VAE: A Structured Autoregressive Flow Prior Variational Autoencoder for Unsupervised Blind Source Separation [1.4174475093445233]
  盲点分離のための新しいVAEベースのフレームワークであるAR-Flow VAEを提案する。 この研究は、AR-Flow VAEの識別可能性と解釈可能性に関する今後の研究の基礎を提供する。
  論文  参考訳（メタデータ） (2026-03-15T15:35:51Z)
• Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
  シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。 FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。 我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
  論文  参考訳（メタデータ） (2025-08-25T02:55:42Z)
• Accurate Forgetting for Heterogeneous Federated Continual Learning [89.08735771893608]
  提案手法は,フェデレーションネットワークにおける従来の知識を選択的に活用する新しい生成再生手法である。 我々は,従来の知識の信頼性を定量化するために,正規化フローモデルに基づく確率的フレームワークを用いる。
  論文  参考訳（メタデータ） (2025-02-20T02:35:17Z)
• Flow Matching for Collaborative Filtering [37.27712576496578]
  FlowCFは、協調フィルタリングのためのフローベースのレコメンデーションシステムである。 高速な推論速度で、さまざまなデータセット間で最先端のレコメンデーション精度を達成する。
  論文  参考訳（メタデータ） (2025-02-11T07:01:19Z)
• Exploring the Escalation of Source Bias in User, Data, and Recommender System Feedback Loop [65.23044868332693]
  我々は,AIGC(AIGC)がレコメンダシステムの性能と力学に与える影響について検討する。 短期的には、AIGCに対する偏見はLLMベースのコンテンツ作成を促進し、AIGCコンテンツを増大させ、不公平なトラフィック分散を引き起こす。 長期コンテンツエコシステムのバランスを維持するため,L1-loss最適化に基づくデバイアス化手法を提案する。
  論文  参考訳（メタデータ） (2024-05-28T09:34:50Z)
• RecDCL: Dual Contrastive Learning for Recommendation [65.6236784430981]
  本稿では、RecDCLという2つのコントラスト学習推薦フレームワークを提案する。 RecDCLでは、FCLの目的は、ユーザとイテムの正のペアに対する冗長なソリューションを排除することである。 BCLの目的は、表現の堅牢性を高めるために出力ベクトルにコントラスト埋め込みを生成するために利用される。
  論文  参考訳（メタデータ） (2024-01-28T11:51:09Z)
• Understanding Programmatic Weak Supervision via Source-aware Influence Function [76.74549130841383]
  Programmatic Weak Supervision (PWS)は、複数の弱い監督ソースのソース投票を確率的トレーニングラベルに集約する。 エンドモデルのトレーニング目標を分解し、各(データ、ソース、クラス)に関連する影響を計算するために、インフルエンス関数(IF)を構築します。 これらのプリミティブな影響スコアは、ソース投票、監督ソース、トレーニングデータなど、個々のコンポーネントPWSの影響を推定するために使用することができる。
  論文  参考訳（メタデータ） (2022-05-25T15:57:24Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)

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。