[논문 리뷰] U-MASK: User-adaptive Spatio-Temporal Masking for Personalized Mobile AI Applications

Shiyuan Zhang, Yilai Liu외 4명|arXiv (Cornell University)|2026. 01. 11.

Recommender Systems and Techniques인용 수 0

한 줄 요약

U-MASK는 사용자- 및 작업 적응형 시공간 마스킹 프레임워크를 개인화된 모바일 AI를 위해 제안하며, 의미론적 사용자 표현을 위한 U-SCOPE와 마스크 가이드를 통한 조건부 완성을 위한 확산 기반 백본을 활용하여 단기, 장기, 콜드 스타트 과제에 걸친 수행을 지원한다.

ABSTRACT

Personalized mobile artificial intelligence applications are widely deployed, yet they are expected to infer user behavior from sparse and irregular histories under a continuously evolving spatio-temporal context. This setting induces a fundamental tension among three requirements, i.e., immediacy to adapt to recent behavior, stability to resist transient noise, and generalization to support long-horizon prediction and cold-start users. Most existing approaches satisfy at most two of these requirements, resulting in an inherent impossibility triangle in data-scarce, non-stationary personalization. To address this challenge, we model mobile behavior as a partially observed spatio-temporal tensor and unify short-term adaptation, long-horizon forecasting, and cold-start recommendation as a conditional completion problem, where a user- and task-specific mask specifies which coordinates are treated as evidence. We propose U-MASK, a user-adaptive spatio-temporal masking method that allocates evidence budgets based on user reliability and task sensitivity. To enable mask generation under sparse observations, U-MASK learns a compact, task-agnostic user representation from app and location histories via U-SCOPE, which serves as the sole semantic conditioning signal. A shared diffusion transformer then performs mask-guided generative completion while preserving observed evidence, so personalization and task differentiation are governed entirely by the mask and the user representation. Experiments on real-world mobile datasets demonstrate consistent improvements over state-of-the-art methods across short-term prediction, long-horizon forecasting, and cold-start settings, with the largest gains under severe data sparsity. The code and dataset will be available at https://github.com/NICE-HKU/U-MASK.

연구 동기 및 목표

• 희소한 기록에서의 즉시성, 안정성, 일반화라는 불가능성 삼각형을 해결하려는 동기를 부여한다.
• 학습 가능한 마스크에 의해 안내되는 조건부 완성 문제로 모바일 사용자를 행동으로 공식화한다.
• 마스크링 조건화를 위한 컴팩트하고 작업에 구애받지 않는 사용자 표현을 개발한다.
• 마스크 가이드 생성적 완성을 수행하기 위해 공유 확산 기반 백본을 통합한다.
• 희소 데이터를 가진 실제 모바일 데이터셋에서 최첨단 방법보다 향상된 성능을 입증한다.

제안 방법

• U-MASK를 도입한다. 이는 사용자 및 작업에 조건화된 증거 영역을 통해 추론을 정의하는 마스킹 메커니즘이다.
• 희소한 앱-위치 기록에서 컴팩트하고 작업에 구애받지 않는 사용자 임베딩을 생성하기 위해 U-SCOPE를 개발한다.
• 관찰된 증거를 보존하면서 누락된 영역을 재구성하는 조건부 확산 트랜스포머 백본(DiT)을 구현한다.
• 계층적 잠재 표현을 사용하여 관찰 예산, 시간적 강조, 공간 친화도를 균형 있게 조절함으로써 작업- 및 사용자-특정 마스크를 계산한다.
• 단기 및 장기 표현을 일치시키기 위해 재구성 손실과 InfoNCE 기반 일관성 항을 포함하여 엔드-투-엔드로 학습한다.
• 작업 구별 및 개인화를 작업별 헤드가 아니라 마스크와 사용자 표현에 의해 전적으로 제어되도록 한다.

실험 결과

연구 질문

• RQ1 희소한 모바일 이력 아래에서 단기 예측, 장기 예측, 그리고 콜드 스타트 추천을 어떻게 통합할 수 있는가?
• RQ2 학습 가능한 사용자 적응형 마스킹 메커니즘이 작업 목표와 사용자 행동에 적응하는 추론 영역을 정의할 수 있는가?
• RQ3 확산 기반 생성 백본이 마스크와 사용자 시맨틱스에 조건화된 부분적으로 관찰된 시공간 모바일 데이터를 효과적으로 완성하는가?
• RQ4 데이터 희소성하에서 시맨틱한 사용자 표현(U-SCOPE)이 마스킹 품질 및 개인화에 미치는 영향은 무엇인가?

주요 결과

• U-MASK는 단기, 장기, 콜드스타트 시나리오 전반에서 최첨단 방법에 비해 일관된 개선을 달성한다.
• 성능 향상은 심한 데이터 희소성과 역동적 맥락에서 가장 크다.
• 확산 트랜스포머 백본은 마스크 및 사용자 시맨틱스에 조건화된 누락 영역을 생성하는 동시에 관찰된 증거를 보존한다.
• U-SCOPE는 희소한 원격 측정에서 효과적인 마스킹을 가능하게 하는 강건하고 작업에 구애받지 않는 사용자 표현을 제공한다.
• 이 방법은 실제 모바일 데이터셋으로 실무 적용 가능성을 보여주며 코드와 데이터를 공개할 계획이 있다.