跳转至

AdaF²M²：多前向特征学习与状态自适应

Fidelity: 核心机制复现。实际执行三组 feature-mask 前向、共享聚合与用户/物品状态自适应 adapter。

论文信息

项目 内容
论文链接 arXiv 2501.15816
公司/机构 ByteDance / Douyin
首次公开日期 2025-01-27（arXiv v1）
原文开源代码 否：论文未提供官方/作者代码（核查日期：2026-08-09）
Adapter adaf2m2
本地复现代码 src/auto_research/reproductions/adaf2m2/

原始论文总结

背景与主要改动

单次全特征前向容易过度依赖强特征，且不同用户/物品状态需要不同特征。AdaF²M² 通过多种 mask 重复前向学习互补表示，再以 state-aware adapter 动态融合。

flowchart LR
  X["完整特征"] --> M1["Full mask"]
  X --> M2["Sparse mask A"]
  X --> M3["Sparse mask B"]
  M1 --> A["State-aware adapter"]
  M2 --> A
  M3 --> A
  S["用户活跃度/物品热度"] --> A
  A --> Y["排序"]

原论文关键图

AdaF²M²：多前向特征学习与状态自适应 原论文 Figure 1

原论文 Figure 1（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ h_k=f(x\odot m_k),\qquad h=\sum_k \alpha_k(s)h_k,\quad \alpha(s)=\operatorname{softmax}(W_s s). \]

论文离线与线上效果

论文在多个私有场景报告 mask multi-forward 与 adapter 的离线增益；抖音线上累计活跃天数 +1.37%、App 时长 +1.89%，并部署到召回、排序与冷启动。

本地复现

本地对照口径：相对单前向全特征基线，实验组 NDCG@10 +2.42%。

相对单前向全特征模型：NDCG@10 0.07514→0.07696（+2.42%），head share 0.21762→0.15976。指标见 metrics/movielens-1m-seed42.json。

auto-research reproduce --paper adaf2m2 --dataset-dir data --seed 42

复现边界

状态仅由历史长度和物品热度构造；没有抖音私有特征、全链路联合训练和线上资源成本。