AI Papers Daily

#plug-and-play

3 篇

DTAMLP: Denoise Time-aware MLP for Session-based Recommendation

DTAMLP：面向会话推荐的去噪时间感知 MLP

🧭 会话推荐 · 时间去噪 MLP

University of Electronic Sciences and Technology of China

针对会话推荐中短 dwell time 的偶发噪声，提出可插拔时间权重融合与 FFT 滤波的全 MLP 模型 DTAMLP

📌 工作参考价值（4 点）

• 将 dwell time 作为软权重而非等权特征：用阈值截断（超过一定秒数就 cap）并做对数/归一化，与 attention 得分相乘，作为插件嵌入现有 session/序列模型，冷启动快、改动小，可优先在电商详情页点击序列上尝试。
• 频域去噪可作为通用 embedding 侧模块：对用户行为序列 embedding 做 FFT，学习可训练滤波器（如实部/虚部权重或 mask），再逆变换，再送入 MLP/Transformer，计算开销低，适合处理多意图混杂的浏览序列。
• 消融设计提示：不同去噪机制可能互补，但需控制阈值和频域模块容量，避免过拟合；上线前先用离线数据验证单独模块增益。
• 注意评估的诚实性：论文明确说不是 SOTA，主要是机制验证；迁移到业务时先做小流量 AB，关注浏览深度、误触率等指标，而不是只看点击率。

RecSys | 2026-08-13 | cs.IR | score 7/10

session-based recommendationtime-aware MLPdenoisingplug-and-playFFT

PILA: Plug-and-Play Insertion for LLM-native Advertising

PILA：面向 LLM 原生广告的即插即用插入框架

🧭 LLM 原生广告 · 解耦式插入 ★ 深度解读

Peking University · Tsinghua University · University of Michigan · BIGAI · Shanghai Qi Zhi Institute

将广告插入解耦为条件响应改写，作为轻量级 sidecar 模块，实现模型无关、即插即用且强度可控的广告融入

📌 工作参考价值（4 点）

• 解耦式重写设计可复用：在对话推荐或生成式推荐中，可仿照 PILA，将商品推荐或广告插入作为独立的轻量 sidecar 模块，不改动上游对话/搜索模型，仅对最终回复进行条件改写，降低侵入性并保持主模型质量。
• 数据构造与增强管线：种子数据合成 + 多样性增强 + 自我评判的自动化数据构建流程，可用于生成对话推荐中的商品链接、推广文案等训练样本，解决标注稀缺问题。
• 广告强度可控机制：基于说服知识模型的对比解码方法调整曝光策略，这种“部署时旋钮”可迁移到电商推荐中，平衡推荐内容的自然度与商业目标（如 GMV、点击率），无需重新训练模型。
• 三指标评估体系：Q1 相关性、Q2 连贯性、Q3 广告有效性的三元评估，可直接用于衡量对话推荐中商品植入的整体质量，指导实验迭代。

LLM | 2026-07-28 | cs.CL | score 10/10

LLM-native advertisingsidecar patternconditional rewritingcontrollable ad intensityplug-and-playNaiAD

TOPS: First-Principles Visual Token Pruning via Constructing Token Optimal Preservation Sets for Efficient MLLM Inference

基于第一性原理的视觉 Token 最优保留集剪枝，实现高效多模态大模型推理

🧭 多模态大模型高效推理 · 视觉 token 剪枝

Peking University · University of Electronic Science and Technology of China · Nanyang Technological University · Beijing Academy of Artificial Intelligence

提出任务相关性、信息覆盖与语义多样性三原则的免训练剪枝模块 TOPS，可大幅削减视觉 token 且保性能

📌 工作参考价值（4 点）

• 若业务中多模态推荐系统处理商品图片，可直接嵌入 TOPS 模块，在几乎不损失准确率的前提下大幅减少视觉 token 计算量，降低推理延迟与成本。
• 三原则（任务相关性、信息覆盖、语义多样性）可迁移至长文本或混合模态输入，例如在 Agent 检索增强场景中，对用户行为序列、文档内容进行关键 token 筛选，节省 LLM 的 KV cache 并提高效率。
• 免训练、模型无关的剪枝方案适合快速实验与部署，无需修改模型结构或重新训练，可针对不同 MLLM 骨干即插即用，降低工程接入门槛。
• 剪枝后性能不降反升的观察（缓解幻觉）可为轻量化多模态模型设计提供思路，未来在端侧推荐或实时交互 Agent 中有潜在价值。

Multimodal | 2026-06-25 | cs.AI | score 7/10

token pruningMLLM efficiencyinformation theorytraining-freevisual tokensplug-and-play