ManCAR: Raciocínio Latente com Restrição de Variedade e Computação Adaptativa no Momento do Teste para Recomendação Sequencial
ManCAR: Manifold-Constrained Latent Reasoning with Adaptive Test-Time Computation for Sequential Recommendation
February 23, 2026
Autores: Kun Yang, Yuxuan Zhu, Yazhe Chen, Siyao Zheng, Bangyang Hong, Kangle Wu, Yabo Ni, Anxiang Zeng, Cong Fu, Hui Li
cs.AI
Resumo
A recomendação sequencial emprega cada vez mais o raciocínio latente de múltiplos passos para melhorar a computação em tempo de teste. Apesar dos ganhos empíricos, as abordagens existentes conduzem amplamente os estados de raciocínio intermediário por meio de objetivos dominados pelo alvo sem impor restrições explícitas de viabilidade. Isso resulta em um desvio latente (*latent drift*), onde as trajetórias de raciocínio se desviam para regiões implausíveis. Argumentamos que o raciocínio eficaz para recomendação deve, em vez disso, ser visto como uma navegação numa variedade colaborativa (*collaborative manifold*), e não como um refinamento latente de forma livre. Para esse fim, propomos o ManCAR (*Manifold-Constrained Adaptive Reasoning*), uma estrutura fundamentada que ancora o raciocínio dentro da topologia de um grafo de interação global. O ManCAR constrói um prior de intenção local a partir da vizinhança colaborativa das ações recentes de um utilizador, representado como uma distribuição sobre o *simplex* de itens. Durante o treino, o modelo alinha progressivamente a sua distribuição preditiva latente com este prior, forçando a trajetória de raciocínio a permanecer dentro da variedade válida. No momento do teste, o raciocínio prossegue de forma adaptativa até que a distribuição preditiva se estabilize, evitando um refinamento excessivo (*over-refinement*). Fornecemos uma interpretação variacional do ManCAR para validar teoricamente os seus mecanismos de prevenção de desvio e parada adaptativa em tempo de teste. Experiências em sete *benchmarks* demonstram que o ManCAR supera consistentemente os métodos do estado da arte, alcançando uma melhoria relativa de até 46,88% em relação ao NDCG@10. O nosso código está disponível em 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.