.png){kind=icon}
返回
Exploring and Tailoring the Test-Time Augmentation for Sequential Recommendation
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2026.3663633.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据增强是解决序列推荐（SR）中数据稀疏问题的有效技术。现有方法在模型训练期间生成新数据以提高性能。然而，将它们部署到骨干模型上需要重新训练、架构修改或引入额外模块和可学习参数。这些过程对于预训练好的模型来说耗时且成本高，尤其是在模型和数据规模增大时。本研究探索了测试时增强（TTA）在SR中的应用，该方法在推理阶段增强输入序列，然后融合模型的预测以提高最终准确性。它避免了训练时增强带来的显著开销。我们首先通过实验考察了现有增强算子用于TTA的潜力，发现Substitute和Mask算子始终表现更优。进一步分析表明，这两个算子保留了原始序列模式，同时添加了适当的扰动。此外，随机选择增强位置从语义和时间角度创造了合适的增强样本。同时，我们发现固定操作比例限制了增强数据的多样性，且TTA可能损害模型对长序列的性能。此外，这两个算子仍面临耗时基于相似度的项目选择或掩码标记的干扰问题。基于分析和局限性，我们提出了TNoise和TMask。前者向表示中注入均匀噪声，避免了项目选择的计算开销；后者阻止掩码标记参与模型计算（TMask-B）或直接移除本应用掩码标记替换的交互（TMask-R）。此外，我们从均匀分布中采样增强比例以提升数据多样性。针对短序列，我们引入基于项目间插值的序列平滑和长度扩展方法；针对长序列，我们设置阈值以避免TTA的负面影响。综合实验证明了我们方法的有效性、高效性和泛化能力。
Keyword:
Sequential recommendation
data augmentation
test-time augmentation
期刊
IF:
18.6
论文数:
1.0K
被引数:
9.8W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏UASTHN: Uncertainty-Aware Deep Homography Estimation for UAV Satellite-Thermal Geo-Localization
PREAI
分享收藏Improving Sequential Recommendations via Bidirectional Temporal Data Augmentation With Pre-Training通过预训练的双向时序数据增强改进序列推荐
PREAI
分享收藏TAAL: Test-Time Augmentation for Active Learning in Medical Image SegmentationTAAL：测试时增强在医学图像分割中的主动学习
PREAI
分享收藏分享收藏
查看更多内容