추천을 위한 그래프 파운데이션 모델: 종합 서베이
Graph Foundation Models for Recommendation: A Comprehensive Survey
한국어 초록
추천 시스템(RS)은 방대한 온라인 정보를 탐색하는 데 기본적인 도구이며, 심층 학습의 발전은 랭킹 정확도 향상에 점점 더 중요한 역할을 하고 있다. 이 가운데 그래프 신경망(GNN)은 고차 구조 정보를 추출하는 데 탁월하고, 대규모 언어 모델(LLM)은 자연어를 처리하고 이해하도록 설계되어 있어 두 접근 모두 매우 효과적이며 널리 채택되고 있다. 최근 연구는 GNN과 LLM의 강점을 통합하여 사용자-아이템 관계의 그래프 기반 구조와 텍스트 이해를 함께 활용함으로써 복잡한 RS 문제를 더 효율적으로 모델링하는 그래프 파운데이션 모델(GFM)에 집중해 왔다. 본 서베이에서는 현재 접근법에 대한 명확한 분류 체계를 제시하고, 방법론적 세부 사항을 심층적으로 다루며, 핵심 과제와 향후 방향을 조명함으로써 GFM 기반 RS 기술에 대한 종합적인 개관을 제공한다. 최근 발전을 종합함으로써 GFM 기반 추천 시스템 분야의 변화하는 연구 지형에 대한 유용한 통찰을 제공하고자 한다.
원문 초록
Recommender systems (RS) serve as a fundamental tool for navigating the vast expanse of online information, with deep learning advancements playing an increasingly important role in improving ranking accuracy. Among these, graph neural networks (GNNs) excel at extracting higher-order structural information, while large language models (LLMs) are designed to process and comprehend natural language, making both approaches highly effective and widely adopted. Recent research has focused on graph foundation models (GFMs), which integrate the strengths of GNNs and LLMs to model complex RS problems more efficiently by leveraging the graph-based structure of user-item relationships alongside textual understanding. In this survey, we provide a comprehensive overview of GFM-based RS technologies by introducing a clear taxonomy of current approaches, diving into methodological details, and highlighting key challenges and future directions. By synthesizing recent advancements, we aim to offer valuable insights into the evolving landscape of GFM-based recommender systems.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2502.08346v4제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
자율적 정보 탐색: 에이전틱 추천 시스템을 위한 로드맵
Autonomous Information Seeking: A Roadmap for Agentic Recommender Systems
대규모 언어 모델 기반 에이전트의 추천 시스템 통합이 빠르게 진행되면서, 정적인 랭킹 기반 파이프라인에서 추론, 계획, 행동이 가능한 자율적·대화형 시스템으로의 전환이 이루어지고 있다. 본 서베이는 자율성 수준에 기반한 통합 분류 체계와 에이전틱 추천 시스템의 세 가지 핵심 패러다임—에이전트 보조 추천(agent-assisted recommendation), 추천자로서의 에이전트(agent-as-recommender), 사용자 시뮬레이터로서의 에이전트(agent-as-user-simulator)—을 제시함으로써 이 신흥 분야에 대한 포괄적인 개요를 제공한다. 자율성 프레임워크는 기존 방법들을 능동성, 맥락 인식, 상호작용 유연성, 적응성의 증가하는 역량에 따라 체계화한다. 이 프레임워크를 바탕으로, 각 패러다임이 서로 다른 에이전틱 아키텍처를 어떻게 채택하는지, 그리고 에이전트가 프로필, 메모리, 도구 사용, 워크플로우, 최적화 메커니즘 등 핵심 구성 요소를 어떻게 강화하는지를 분석한다. 또한 에이전틱 추천에 대한 평가 방법론을 검토하며, 자동화된 메트릭, LLM 기반 평가, 시뮬레이션 기반 평가를 다루고, 추론 품질·사용자 경험·시스템 행동 포착에 있어서의 한계를 논의한다. 기존 평가 프로토콜을 넘어, 궤적 수준 평가(trajectory-level assessment), 에이전트 기여도 분석, 사용자 시뮬레이션 보정 등 에이전틱 추천 시스템 평가에서 미해결된 문제들을 추가로 논의한다. 마지막으로, 평생 사용자 모델링, 맥락적 추상화, 멀티모달 정렬(alignment), 제어 가능성, 신뢰성, 프라이버시, 확장성, 효율성에 관한 미결 과제들을 제시한다. 이러한 분석들은 에이전틱 추천 시스템의 현재 발전 상황을 이해하기 위한 통합적 토대를 마련하고, 보다 자율적이고 신뢰할 수 있으며 인간과 정렬된 추천 에이전트 개발을 위한 유망한 기회를 부각시킨다.
모달 경계의 흐림: 단일 모달에서 다중 모달 인물 재식별(ReID)에 대한 통합 서벡
Blurring Modal Boundaries: A Unified Survey from Single- to Multi-Modal Person Re-ldentification
인물 재식별(ReID)은 지능형 감시 시스템의 핵심 구성 요소로, 분리된 카메라 네트워크 간 신원을 매칭하는 것을 목표로 한다. 전통적인 방법은 주로 단일 모달 RGB 영상에 의존하지만, 낮은 조도와 가림(occlusion)과 같은 환경적 도전 과제에 종종 제약을 받는다. 이러한 한계를 극복하기 위해 해당 분야는 교차 모달(cross-modal) 및 다중 모달(multi-modal) 패러다임으로 빠르게 발전하고 있다. 본 서벡은 이러한 전환에 대한 포괄적인 개요를 제시하며, 직접 가시성을 넘어 지각을 확장하는 신흥 비시선(NLOS, Non-Line-of-Sight) ReID를 포함하여 가시-적외선(VI-ReID), 텍스트-이미지(TI-ReID), 스케치 기반(Sketch-ReID) 등 주요 교차 모달 과제를 체계적으로 검토한다. 또한 3분광(tri-spectral) 및 다중 모달 융합 ReID를 살펴보고, 다양한 센서의 상보적 정보가 어떻게 견고성(robustness)을 향상시키는지 논의한다. 데이터셋, 과제, 방법론을 요약하는 것을 넘어, 모달리티 불변(modality-invariant) 특징을 효과적으로 포착하도록 설계된 가시-적외선 ReID용 트랜스포머 기반 기준선 프레임워크를 제안한다. 마지막으로, 현재 연구 환경을 바탕으로 향후 연구를 위한 여러 유망한 방향을 제시한다.
LiteTopK: 장문맥 희소 어텐션용 통합 Indexer-TopK 커널을 위한 차원의 저주 활용
LiteTopK: Exploiting the Curse of Dimensionality for a Fused Indexer-TopK Kernel in Long-Context Sparse Attention
영향력 있는 다원주의적 정렬 연구를 위한 로드맵
A Roadmap to Impactful Pluralistic Alignment Research
책임 있는 AI에 관한 많은 연구는 수십억 명이 사용하는 AI 시스템의 행동을 바꾸는 것을 목표로 한다. 다양한 인간의 가치와 관점을 대표하고 이에 기여하는 AI 시스템을 구축하는 것을 목표로 하는 다원적 가치 정렬은 이러한 활발한 연구 의제 중 하나로 부상했다. 그러나 주요 프론티어 연구소와 오픈 웨이트 개발자를 감사한 결과, 다원적 정렬이 이들 모델의 학습이나 평가 방식에 영향을 미쳤다는 공개적 증거를 찾을 수 없었다. 다원적 정렬은 주요 목표를 달성하려면 실제 도입이 필요하므로, 우리는 세 가지 장벽을 규명하고 각각을 해결하기 위한 연구 로드맵을 제시한다. 1. 지금까지 다원적 정렬의 정당화는 대부분 규범적이거나 이론적이다. 다원적 AI가 사용자와 사회에 주는 이점과 단점을 측정하는 연구가 필요하다. 2. 다원적 정렬 연구 커뮤니티는 다원적 행동이 언제 정당화되는지, 그리고 실제로 어떤 모습이어야 하는지에 대해 합의하지 못했다. 개발자가 이를 구현할 수 있을 만큼 구체적으로 이 행동을 명세하는 연구가 필요하다. 3. 기존의 다원주의 평가와 방법은 배포할 준비가 되어 있지 않다. 다른 모델 특성에 미치는 영향을 보고하고 프로덕션 시스템의 요구 사항을 충족하는 평가와 방법이 필요하다. 이러한 장벽은 다원적 정렬에만 해당하지 않으므로, 우리의 로드맵은 유사한 변화 이론을 가진 책임 있는 AI 연구의 다른 분야에도 적용된다. 사람들이 더 많은 의사결정을 AI 시스템에 맡기고 AI 에이전트가 사람을 대신해 행동하는 만큼, 우리는 이 로드맵이 해당 연구가 그러한 결정을 내리는 배포된 모델에 도달하도록 돕기를 바란다.
일반 함수 근사 하에서의 최적·효율적 문맥적 조합 세미-밴딧
Optimal and Efficient Contextual Combinatorial Semi-bandits with General Function Approximation
본 논문은 맥락적 조합 세미밴딧(CCSB) 문제를 연구한다. 이 문제에서 학습자는 매 라운드마다 맥락을 관측하고, 기본 팔들의 부분집합으로 이루어진 조합 행동을 선택하며, 선택된 각 팔의 보상을 받는다. 목표는 시간에 따른 누적 보상을 최대화하는 것이다. 기존의 많은 연구가 선형 보상 함수 근사를 갖는 CCSB 문제에 초점을 맞춘 반면, 일반 보상 함수 근사를 갖는 CCSB 문제에 대한 효율적인 알고리즘 설계는 제한적이다. 본 연구에서는 학습자가 참 보상 함수를 포함하는 보상 함수 클래스 $\mathcal{F}$에 접근할 수 있는 실현 가능(realizable) 설정을 연구하고 $\mathrm{SquareCB{.}Comb}$ 알고리즘을 제안한다. $\mathrm{SquareCB{.}Comb}$가 $O(\sqrt{m A T \log |\mathcal{F}|})$의 미니맥스 최적 후회 한계를 달성함을 증명한다. 여기서 $A$는 팔의 수, $m$은 조합 행동에 포함되는 팔의 최대 개수, $T$는 시간 지평이다. 또한 맥락이 주어졌을 때 모든 팔의 보상을 효율적으로 예측할 수 있는 온라인 회귀 오라클이 있고, 조합 행동 집합이 효율적인 선형 최적화 또는 팔에 대한 임의의 목표 주변 확률이 주어졌을 때의 효율적인 샘플링 중 하나를 허용하면 $\mathrm{SquareCB{.}Comb}$는 계산적으로 효율적이다. 웹페이지 추천과 맥락적 최단 경로 문제에서 알고리즘의 효과를 실험적으로 검증한다.
Towards Trustworthy Physical Intelligence: From Theory to Practice Across Life Cycle
토론
이 논문과 연결된 포럼 글이 아직 없습니다.