ManCAR: Manifold-beschränktes latentes Reasoning mit adaptiver Testzeit-Berechnung für sequenzielle Empfehlungssysteme
ManCAR: Manifold-Constrained Latent Reasoning with Adaptive Test-Time Computation for Sequential Recommendation
February 23, 2026
papers.authors: Kun Yang, Yuxuan Zhu, Yazhe Chen, Siyao Zheng, Bangyang Hong, Kangle Wu, Yabo Ni, Anxiang Zeng, Cong Fu, Hui Li
cs.AI
papers.abstract
Bei der sequenziellen Empfehlung werden zunehmend latente Mehrschritt-Rückschlüsse eingesetzt, um die Berechnung zur Testzeit zu verbessern. Trotz empirischer Verbesserungen steuern bestehende Ansätze Zwischenzustände des Rückschlusses weitgehend durch zieldominierte Zielvorgaben, ohne explizite Machbarkeitsbeschränkungen vorzugeben. Dies führt zu einer latenten Drift, bei der sich die Rückschlusspfade in unplausible Regionen entfernen. Wir vertreten die Ansicht, dass effektive Empfehlungsrückschlüsse stattdessen als Navigation auf einer kollaborativen Mannigfaltigkeit betrachtet werden sollten und nicht als freie latente Verfeinerung. Zu diesem Zweck schlagen wir ManCAR (Manifold-Constrained Adaptive Reasoning) vor, ein prinzipienbasiertes Framework, das Rückschlüsse innerhalb der Topologie eines globalen Interaktionsgraphen verankert. ManCAR konstruiert einen Prior für die lokale Absicht aus der kollaborativen Nachbarschaft der letzten Aktionen eines Benutzers, dargestellt als eine Verteilung über dem Item-Simplex. Während des Trainings passt das Modell schrittweise seine latente prädiktive Verteilung an diesen Prior an und zwingt so den Rückschlusspfad, innerhalb der gültigen Mannigfaltigkeit zu bleiben. Zur Testzeit schreitet der Rückschluss adaptiv fort, bis sich die prädiktive Verteilung stabilisiert, wodurch eine Überverfeinerung vermieden wird. Wir liefern eine variationelle Interpretation von ManCAR, um seine Drift-Präventions- und adaptiven Testzeit-Stoppmechanismen theoretisch zu validieren. Experimente auf sieben Benchmarks zeigen, dass ManCAR durchgängig state-of-the-art Baseline-Methoden übertrifft und eine relative Verbesserung von bis zu 46,88 % bezüglich NDCG@10 erreicht. Unser Code ist verfügbar unter https://github.com/FuCongResearchSquad/ManCAR.
English
Sequential recommendation increasingly employs latent multi-step reasoning to enhance test-time computation. Despite empirical gains, existing approaches largely drive intermediate reasoning states via target-dominant objectives without imposing explicit feasibility constraints. This results in latent drift, where reasoning trajectories deviate into implausible regions. We argue that effective recommendation reasoning should instead be viewed as navigation on a collaborative manifold rather than free-form latent refinement. To this end, we propose ManCAR (Manifold-Constrained Adaptive Reasoning), a principled framework that grounds reasoning within the topology of a global interaction graph. ManCAR constructs a local intent prior from the collaborative neighborhood of a user's recent actions, represented as a distribution over the item simplex. During training, the model progressively aligns its latent predictive distribution with this prior, forcing the reasoning trajectory to remain within the valid manifold. At test time, reasoning proceeds adaptively until the predictive distribution stabilizes, avoiding over-refinement. We provide a variational interpretation of ManCAR to theoretically validate its drift-prevention and adaptive test-time stopping mechanisms. Experiments on seven benchmarks demonstrate that ManCAR consistently outperforms state-of-the-art baselines, achieving up to a 46.88% relative improvement w.r.t. NDCG@10. Our code is available at https://github.com/FuCongResearchSquad/ManCAR.