Каталог

Найдено: 3 из 269 · теги в строках тоже фильтруют

ПоискТемаОрганизацияИсточникТолько в Zotero 269

Темы в текущей выборке · полоса — работы с тегом из 3 найденных, риска — весь корпус

Генеративные рекомендации 1 Последовательные рекомендации 1 Языковые модели и агенты 2 Коллаборативные модели 0 Оценка и причинность 0 Объяснения и контроль 3 Промышленные системы 0 Кросс-домен и мультимодальность 0 Реклама и рекомендации 0

Контроль, объяснения и интересы участниковFudan UniversityЕсть в ZoteroСбросить фильтры

MaskPoison: Intent-Guided Poisoning Attacks on Sequential Recommendation via Masked Discrete Diffusion
MaskPoison исследует отравление историй через условную маскированную диффузию. Двусторонний контекст делает синтетические последовательности поведенчески согласованными.
Shanghai University of Finance and Economics, Fudan University +1
#Объяснения и контроль #Генеративные рекомендации #Последовательные рекомендации
Публикация конференцииZotero ↗
Beyond Passive Preference Inference: User-Governed Preference Memory and Calibrated Initiative in Recommender Systems
Предлагается память предпочтений с происхождением, областью действия и отзывом записей. Инициатива системы рассматривается отдельно от хранения пользовательского состояния.
Tsinghua University, Fudan University
#Объяснения и контроль #Языковые модели и агенты
Публикация конференцииZotero ↗
User-Controlled Intent Layers for LLM-Mediated Personalization: A Research Agenda for Recommender Systems
Предлагается управляемый человеком слой намерений между помощником и внешними сервисами. Он разделяет цели, ограничения, раскрытие данных и разрешённые действия.
Fudan University, Microsoft Research Asia
#Объяснения и контроль #Языковые модели и агенты
Публикация конференцииZotero ↗

MaskPoison: Intent-Guided Poisoning Attacks on Sequential Recommendation via Masked Discrete Diffusion

Beyond Passive Preference Inference: User-Governed Preference Memory and Calibrated Initiative in Recommender Systems

User-Controlled Intent Layers for LLM-Mediated Personalization: A Research Agenda for Recommender Systems