# GRACE — Fine-Tuning for Sustainable and Accurate Personalization
> Ficha editorial pública de Research IA. Estado: Lectura primaria completa. La interpretación editorial no sustituye la fuente primaria.

- Página canónica: https://luiseduardodemiguel.com/research-ia/papers/grace-fine-tuning-for-sustainable-and-accurate-personalization
- Fuente primaria: https://arxiv.org/abs/2607.22341
- Versión leída: v1
- Fuente comprobada: 2026-08-19 · lectura primaria completa; extracción editorial automatizada, revisión humana pendiente
- Autores: Yibowen Zhao, Yinan Zhang, Ning Liu, Lizhen Cui, Chunyan Miao
- Fecha del corte: 24 JULIO 2026.
- Área: IA APLICADA · EVALUACIÓN

## Tesis y contexto

Integra criterios como sostenibilidad o salud directamente en un recomendador preentrenado mediante fine-tuning, evitando entrenar otro modelo desde cero o añadir un costoso reranker. Introduce una aproximación diferenciable a estos objetivos y proyección de gradientes para reducir conflictos entre relevancia personal y sostenibilidad.

- Problema: Los sistemas de recomendación optimizan engagement/relevancia aunque existan otros objetivos empresariales o sociales.
- Por qué importa: El patrón es más general que “green recommendation”: permite pensar en recomendadores que optimizan múltiples valores explícitos.

## Evidencia reportada

- **reported-result**: The primary goal is to improve sustainability while avoiding accuracy loss. [localizador](https://arxiv.org/html/2607.22341#S4)
- **reported-result**: Across most settings, GRACE achieves this goal by improving sustainability with comparable accuracy, and in several cases it improves both sustainability and accuracy, suggesting that sustainability-aware fine-tuning can also act as a helpful regularizer rather than a pure trade-off. [localizador](https://arxiv.org/html/2607.22341#S4)
- **reported-result**: For example, on GreenRec with SASRec, GRACE improves Hit@15 and NDCG@15 by 18.38% and 13.04%, respectively, while also improving the sustainability scores. [localizador](https://arxiv.org/html/2607.22341#S4)
- **reported-result**: In a few cases, accuracy decreases slightly, such as a small drop in NDCG@10 for FEARec on GreenRec . [localizador](https://arxiv.org/html/2607.22341#S4)

## Lectura y límite

- Método: La lectura de Methodology describe la intervención y su construcción: In this work, we study green food recommendation, which aims to improve the environmental and health-related indices of recommended items while preserving personalization accuracy. More specifically, we use “green” to mean item-side sustainability signals that describe an item’s environmental and/or health desirability independent of the user’s preferences. Following GreenRec [ 49 ] and RecipeEmission [ 16 ] , these signals are provided as external annotations. GreenRec labels each recipe with three indicators, namely an Environmental Impact Score that aggregates multiple environmental factors such as…
- Límite: La lectura primaria permite comprobar método y resultados en el HTML, pero no convierte sus conclusiones en validación independiente. La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en Experiments.
- Confianza editorial: Media
- Limitación: El cierre de la fuente señala: In conclusion, this paper presents GRACE, an efficient fine-tuning framework for integrating sustainability objectives into existing recommender systems without the need for full retraining. GRACE jointly optimizes for accuracy and sustainability by introducing a differentiable green loss combined with a gradient projection mechanism. This design overcomes the challenge of non-differentiable green objectives and mitigates conflicts between sustainability…
- Limitación: La ficha no demuestra transferencia fuera de los datasets, modelos, herramientas y condiciones descritos en Experiments.

## Localizadores de evidencia
- [Fuente primaria · canonical](https://arxiv.org/abs/2607.22341): tipo abstract
- [HTML · lectura completa](https://arxiv.org/html/2607.22341): tipo abstract
- [Método · Methodology](https://arxiv.org/html/2607.22341#S3): tipo section
- [Evaluación · Experiments](https://arxiv.org/html/2607.22341#S4): tipo section
- [Cierre · Conclusion](https://arxiv.org/html/2607.22341#S5): tipo section

## Próxima prueba

- ¿La propuesta mejora marketplaces frente a la línea base actual?
- Métrica: Comparar la métrica principal de la fuente junto con calidad, coste, latencia y tasa de errores.
- Regla de parada: Parar si no aparece una mejora reproducible o si aumenta el riesgo, la complejidad o el coste sin compensación.

## Recursos reproducibles
- [the following issues](https://github.com/arXiv/html_feedback/issues)
- [list of packages that need conversion](https://github.com/brucemiller/LaTeXML/wiki/Porting-LaTeX-packages-for-LaTeXML)
- [developer contributions](https://github.com/brucemiller/LaTeXML/issues)

## Enlaces relacionados

- [SIREN — PAIR-Driven Preference Manipulation in Web-RAG Recommenders](https://luiseduardodemiguel.com/research-ia/markdown/papers/siren-pair-driven-preference-manipulation-in-web-rag-recommenders)
- [PRO-LONG — Programmatic Memory Enables Long-Horizon Reasoning](https://luiseduardodemiguel.com/research-ia/markdown/papers/pro-long-programmatic-memory-enables-long-horizon-reasoning)
- [PyroDash — Cost-Efficient Token-Level Small-Large Language Model Collaborati](https://luiseduardodemiguel.com/research-ia/markdown/papers/pyrodash-cost-efficient-token-level-small-large-language-model-collabora)