생성형 추천 시스템이 관련성 외에 공정성·속성 제약 등 다중 목표를 만족하는 슬레이트(정렬된 아이템 목록)를 생성하도록, 모델 수정이나 재학습 없이 추론 시점에 얹는 경량 디코딩 레이어가 제안됐다. 디코딩을 온라인 제약 최적화 문제로 정식화하고, 남은 제약 여유(slack)에 따라 관련성과 보조 목표 간 가중치를 동적으로 조정하는 확률적 primal-dual 근사 기법으로 구현했다. 제약 위반과 후회(regret)에 대한 이론적 보장을 제공하며, 오프라인 실험과 실제 서비스의 대규모 온라인 A/B 테스트에서 사용자 만족도 손실 없이 보조 목표 +1.8% 개선을 확인했다. 대규모 상용 생성형 추천에서 재학습 없이 다중 목표를 다루는 실용적 경로를 보여준다.

• •자기회귀 생성형 추천 모델을 수정·재학습하지 않고 추론 시점에만 작동하는 다중목표 디코딩 레이어 제안
• •남은 제약 여유에 따라 관련성-보조목표 트레이드오프를 동적 조정하는 확률적 primal-dual 근사 기법 사용
• •제약 위반과 regret에 대한 이론적 보장 제시
• •실서비스 대규모 온라인 A/B 실험에서 사용자 만족도 손실 없이 보조 목표 +1.8% 개선