論文の概要: BRIDGE: Bridging the Semantic Quantization Gap for Generative Recommendation
- arxiv url: http://arxiv.org/abs/2611.07425v1
- Date: Thu, 05 Nov 2026 04:20:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.545188
- Title: BRIDGE: Bridging the Semantic Quantization Gap for Generative Recommendation
- Title（参考訳）: BRIDGE: ジェネレーティブレコメンデーションのためのセマンティック量子化ギャップのブリッジ
- Abstract要約: 生成レコメンデーションは、RQ-VAEが各アイテムを階層的なSIDシーケンスに量子化し、デコーダがレベルごとに生成するセマンティックID(SID)を自動的に生成することでアイテムを検索する。
量子化は、コードブックセントロイド、局所近傍幾何学、レベルワイドエントロピーなど、リッチな連続信号からSIDを導出する。
このミスマッチは、ターゲット側情報が制限されたときにデコーダがセマンティックアンカーを欠く接地ギャップ、トークンレベルの監督がイテム間の類似性を捨てて露出バイアスを悪化させる近隣ギャップ、計算を行う困難ギャップの3つの方法で現れる。
- 参考スコア（独自算出の注目度）: 18.351706471774786
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative recommendation retrieves items by autoregressively generating Semantic IDs(SIDs), where an RQ-VAE quantizes each item into a hierarchical SID sequence that the decoder generates level by level. We identify an overlooked bottleneck in this paradigm: the Semantic Quantization Gap(SQG). Quantization derives SIDs from rich continuous signals, including codebook centroids, local neighborhood geometry, and level-wise entropy. However, the decoder receives only discrete identifiers and loses the semantic structure that shaped them. This mismatch manifests in three ways: a grounding gap, where the decoder lacks semantic anchors when target-side information is limited; a neighborhood gap, where token-level supervision discards inter-item similarity and exacerbates exposure bias; and a difficulty gap, where computation is allocated uniformly despite generation difficulty diminishing with depth. To bridge the SQG, we propose BRIDGE. Codebook-grounded latent reasoning injects frozen quantizer centroids as semantic anchors before SID generation. Privileged EMA self-distillation transfers neighborhood-aware knowledge from a teacher to an on-policy student, preserving inter-item geometry while mitigating exposure bias. Effort-aware recurrence allocates more computation to the challenging early levels and progressively reduces it with depth. Across three Amazon benchmarks, BRIDGE improves Recall@10 and NDCG@10 by 10.9% and 9.7% on average over the strongest baseline (up to 12.6% and 10.7%). In a one-week online A/B experiment on a large-scale e-commerce advertising platform with 5% traffic, BRIDGE improves eCPM by 0.65%.
- Abstract（参考訳）: 生成レコメンデーションは、RQ-VAEが各アイテムを階層的なSIDシーケンスに量子化し、デコーダがレベルごとに生成するセマンティックID(SID)を自動的に生成することでアイテムを検索する。
このパラダイムで見落とされたボトルネックは、セマンティック量子化ギャップ(SQG)である。
量子化は、コードブックセントロイド、局所近傍幾何学、レベルワイドエントロピーなど、リッチな連続信号からSIDを導出する。
しかし、デコーダは個別の識別子のみを受け取り、それらを形成する意味構造を失う。
このミスマッチは、ターゲット側情報が制限された場合、デコーダが意味的なアンカーを欠く接地ギャップ、トークンレベルの監督がイテム間の類似性を放棄し、露出バイアスを悪化させる近隣ギャップ、そして、生成困難が深さによって減少しても計算が均一に割り当てられる困難ギャップの3つの方法で現れる。
SQGを橋渡しするために,BRIDGEを提案する。
コードブックによる潜伏推論は、SID生成の前に冷凍量化器セントロイドをセマンティックアンカーとして注入する。
プライヴィレグドEMA自己蒸留は、露出バイアスを緩和しながら、イテム間幾何学を保ちながら、教師から政治学生に近隣の知識を伝達する。
Effort-awareの繰り返しは、困難な初期レベルにより多くの計算を割り当て、徐々に深さを減らします。
Amazonの3つのベンチマークで、BRIDGEはRecall@10とNDCG@10を10.9%改善し、最強のベースライン(最大12.6%と10.7%)で平均9.7%改善した。
1週間のオンラインA/B実験では、トラフィック5%の大規模なeコマース広告プラットフォームで、BRIDGEはeCPMを0.65%改善した。
関連論文リスト
- GeoReason: Bridging Logical Reasoning and Spatial Fidelity in Remote Sensing Segmentation [54.92603623360416]
GeoReasonは、論理的推論を強化し、空間的整合性を維持するために設計された新しいフレームワークである。
初期ユーザクエリに直接セグメンテーショントークンを注入する予測プライオリティ機構を導入する。
また、位置認識型Chain-of-Thoughtによる視覚的推論も強化する。
論文 参考訳（メタデータ） (2026-10-16T13:07:22Z) - UniSGR-V2: Stepwise Target-Side Feature Anticipation and Crossing for Generative Recommendation [16.130775814500822]
段階的生成とランク付けの両方を支援するため,TacGR(Stepwise Target-Side Feature Precipation and Crossing for Generative Recommendation)を提案する。
TacGRは、連続的なターゲット側の特徴ベクトルを予測し、デコーダ内のセマンティックプレフィックスとユーザー行動シーケンスと交差する。
大規模なデータセットに関するオンライン実験では、OneRec、UniRec、UniSGRを大きく上回っている。
論文 参考訳（メタデータ） (2026-10-12T03:48:56Z) - DISTA-Net++: Rethinking Infrared Small Target Unmixing Beyond Sub-Pixel Separation [50.40058918817059]
長距離赤外線画像は、回折制限されたシグネチャが1つの識別不能なブロブに融合する密度の高いターゲットクラスタに対向する。
DisTA-Net++は2つの相乗的なメカニズムで動的に展開するバックボーンをアンカーする。
DisTA-Net++は、CSO-mAPが16.15%、62.96%の精度で、計算の6分の1に過ぎない。
論文 参考訳（メタデータ） (2026-09-16T14:57:11Z) - Bridging the Structural Gap: Adapting Autoregressive Generation for Recommendation [10.616703360070359]
Generative Recommendation (GR)は、シーケンシャルなレコメンデーションのための新しいパラダイムとして登場した。
本稿では、ICA(Item Context-Aware Attention)を用いて、エンコーディング中にアイテムレベルの構造を復元するBARGEを提案する。
公開ベンチマークと大規模なオフラインテストに関する実験と分析研究は、BARGEが優れたレコメンデーション性能を達成することを示す。
論文 参考訳（メタデータ） (2026-07-23T08:11:57Z) - CapsID: Soft-Routed Variable-Length Semantic IDs for Generative Recommendation [6.439016735163573]
生成レコメンデーションは、各項目をセマンティックID(SID)のシーケンスにマッピングし、検索を自己回帰トークン生成として再キャストする。
CAPSIDは硬質残留量子化をカプセルルーティングに置き換える。
Amazon Beauty, Sports, Toys, and a 35M-item industrial catalogでは、CAPSID+SEMANTICBPEはReSIDよりも平均して10.6%改善している。
論文 参考訳（メタデータ） (2026-05-06T16:33:13Z) - 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) - DiffGRM: Diffusion-based Generative Recommendation Model [63.35379395455103]
ジェネレーティブレコメンデーション(GR)は、トークン化器を介して各項目をn桁のセマンティックID(SID)として表現する新興パラダイムである。
自己回帰デコーダをマスク付き離散拡散モデル(MDM)に置き換える拡散ベースGRモデルDiffGRMを提案する。
実験では、複数のデータセットに対する強力な生成的および差別的推奨ベースラインよりも一貫した利得を示す。
論文 参考訳（メタデータ） (2025-10-21T03:23:32Z) - Exploiting Discriminative Codebook Prior for Autoregressive Image Generation [54.14166700058777]
トークンベースの自己回帰画像生成システムは、まずトークンインデックスのシーケンスをコードブックでトークン化し、次にこれらのシーケンスを自己回帰パラダイムでモデル化する。
自己回帰生成モデルはインデックス値のみに基づいて訓練されるが、豊富なトークン類似性情報を含むコードブックにエンコードされた前者は利用されない。
近年の研究では、トークン上に単純なk平均クラスタリングを行い、コードブックを減らした生成モデルのトレーニングを容易にすることで、これを先に組み込もうとしている。
k-meansの代替として、差別的コードブック先駆者(DCPE)を提案する。
論文 参考訳（メタデータ） (2025-08-14T15:00:00Z) - Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and
Class-balanced Pseudo-Labeling [38.07637524378327]
ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。
既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。
本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-16T04:34:11Z)
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。