スライディングウィンドウだけで十分？長系列推薦のためのオープンなフレームワーク
arXiv cs.LG / 2026/4/15
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisTools & Practical UsageModels & Research
要点
- 本論文は、現実のメモリおよびレイテンシ制約のもとでは長系列推薦の学習は実行可能であり、一般に非現実的だという見解に反論している。
- データ処理、学習、評価のためのスクリプトを含む、エンドツーエンドのオープンフレームワークを公開し、「産業品質（industrial-style）」の厳密さでスライディングウィンドウによる長系列学習を実装している。
- 著者らは、ウィンドウサイズとストライド間での精度—計算コストのトレードオフを対応付けるため、ランタイムを考慮したアブレーション研究を追加し、より情報に基づいた設定選択を可能にしている。
- さらに、百万規模の語彙に対応するための新しいk-shift埋め込み層を提案し、コモディティGPU上で精度への影響を最小限に抑えることを目指している。特に低リソース環境で有効である。
- 実験結果では、競合する検索品質が示されている（例：RetailrocketでMRRが最大+6.04%、Recall@10が最大+6.34%）。学習時間のオーバーヘッドは約4×で、大学の控えめなクラスターでも信頼性の高い学習が裏付けられている。
