論文の概要: Extreme Regression for Dynamic Search Advertising

• arxiv url: http://arxiv.org/abs/2001.05228v3
• Date: Mon, 20 Jan 2020 10:46:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 05:48:08.804124
• Title: Extreme Regression for Dynamic Search Advertising
• Title（参考訳）: 動的検索広告のための極端回帰
• Authors: Yashoteja Prabhu, Aditya Kusupati, Nilesh Gupta and Manik Varma
• Abstract要約: 本稿では,eXtreme Regression (XR)と呼ばれる新しい学習パラダイムを紹介する。 XRは、Dynamic Search Advertising (DSA)を含む多くの大規模ランキングおよびレコメンデーションアプリケーションに対するエレガントなソリューションを提供することができる。
• 参考スコア（独自算出の注目度）: 13.091356349969407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a new learning paradigm called eXtreme Regression (XR) whose objective is to accurately predict the numerical degrees of relevance of an extremely large number of labels to a data point. XR can provide elegant solutions to many large-scale ranking and recommendation applications including Dynamic Search Advertising (DSA). XR can learn more accurate models than the recently popular extreme classifiers which incorrectly assume strictly binary-valued label relevances. Traditional regression metrics which sum the errors over all the labels are unsuitable for XR problems since they could give extremely loose bounds for the label ranking quality. Also, the existing regression algorithms won't efficiently scale to millions of labels. This paper addresses these limitations through: (1) new evaluation metrics for XR which sum only the k largest regression errors; (2) a new algorithm called XReg which decomposes XR task into a hierarchy of much smaller regression problems thus leading to highly efficient training and prediction. This paper also introduces a (3) new labelwise prediction algorithm in XReg useful for DSA and other recommendation tasks. Experiments on benchmark datasets demonstrated that XReg can outperform the state-of-the-art extreme classifiers as well as large-scale regressors and rankers by up to 50% reduction in the new XR error metric, and up to 2% and 2.4% improvements in terms of the propensity-scored precision metric used in extreme classification and the click-through rate metric used in DSA respectively. Deployment of XReg on DSA in Bing resulted in a relative gain of 27% in query coverage. XReg's source code can be downloaded from http://manikvarma.org/code/XReg/download.html.
• Abstract（参考訳）: 本稿では,非常に多数のラベルとデータポイントの関係を正確に予測することを目的とした,eXtreme Regression (XR)と呼ばれる新たな学習パラダイムを提案する。 XRは、Dynamic Search Advertising (DSA)を含む多くの大規模ランキングおよびレコメンデーションアプリケーションに対するエレガントなソリューションを提供することができる。 XRは、最近人気になった極端分類器よりも正確なモデルを学ぶことができる。 すべてのラベルのエラーをまとめた従来の回帰指標は、ラベルのランク付け品質に極めて緩やかな限界を与えるため、XR問題には適さない。 また、既存の回帰アルゴリズムは効率的に数百万のラベルにスケールしません。 本稿では,(1)k最大の回帰誤差のみを和算するXRの新しい評価基準,(2)XRタスクをはるかに小さな回帰問題の階層に分解するXRegというアルゴリズムを用いて,高い効率のトレーニングと予測を行う。 本稿では、DSAや他のレコメンデーションタスクに有用なXRegの新しいラベルワイズ予測アルゴリズムについても紹介する。 ベンチマークデータセットの実験では、XRegは最先端の極端分類器や大規模回帰器やランク計よりも、新しいXR誤差メトリックを最大50%削減し、極端分類で使用される正当性スコア付き精度メートル法とDSAで使用されるクリックスルーレートメートル法で最大2%と2.4%改善できることを示した。 BingでDSAにXRegをデプロイすると、クエリカバレッジが27%向上した。 XRegのソースコードはhttp://manikvarma.org/code/XReg/download.htmlからダウンロードできる。

関連論文リスト

• Labels in Extremes: How Well Calibrated are Extreme Multi-label Classifiers? [5.26569785878819]
  極端なマルチラベル分類(XMLC)問題は、関連する製品レコメンデーション、大規模ドキュメントのタグ付け、広告予測といった設定で発生する。 本稿では,9つのモデルの体系的評価を提供することで,XMLCのキャリブレーションの現在の状況を確立することを目的とする。
  論文  参考訳（メタデータ） (2024-11-06T21:46:23Z)
• ASTRA: Accurate and Scalable ANNS-based Training of Extreme Classifiers [13.633871625193882]
  高精度でスケーラブルなExtreme分類アルゴリズムASTRAを開発した。 ASTRAはSOTA精度を達成し、トレーニング時間を第2のベストに対して4倍から15倍に短縮する。
  論文  参考訳（メタデータ） (2024-09-30T10:07:28Z)
• Robust Capped lp-Norm Support Vector Ordinal Regression [85.84718111830752]
  正規回帰は、ラベルが固有の順序を示す特殊な教師付き問題である。 卓越した順序回帰モデルとしてのベクトル順序回帰は、多くの順序回帰タスクで広く使われている。 我々は,新たなモデルであるCapped $ell_p$-Norm Support Vector Ordinal Regression (CSVOR)を導入する。
  論文  参考訳（メタデータ） (2024-04-25T13:56:05Z)
• Generating Unbiased Pseudo-labels via a Theoretically Guaranteed Chebyshev Constraint to Unify Semi-supervised Classification and Regression [57.17120203327993]
  分類におけるしきい値と擬似ラベルプロセス(T2L)は、ラベルの品質を決定するために信頼性を使用する。 本質的には、レグレッションは高品質なラベルを生成するためにバイアスのない方法も必要である。 チェビシェフの不等式に基づく不偏ラベルを生成するための理論的に保証された制約を提案する。
  論文  参考訳（メタデータ） (2023-11-03T08:39:35Z)
• Learning Label Encodings for Deep Regression [10.02230163797581]
  深い回帰ネットワークは、与えられた入力に対して連続的な値を予測する問題の解決に広く利用されている。 回帰のためのラベル符号化の空間は大きい。 本稿では、ネットワーク全体とそのラベルエンコーディングのエンドツーエンドトレーニングのための正規化ラベル学習(RLEL)を提案する。
  論文  参考訳（メタデータ） (2023-03-04T00:11:34Z)
• Label Encoding for Regression Networks [9.386028796990399]
  回帰へのバイナリ分類の適用を一般化するバイナリ符号化ラベル(BEL)を導入する。 BELはいくつかの回帰ベンチマークで最先端の精度を達成する。
  論文  参考訳（メタデータ） (2022-12-04T21:23:36Z)
• Optimizing Partial Area Under the Top-k Curve: Theory and Practice [151.5072746015253]
  トップk曲線下部分領域(AUTKC)と呼ばれる新しい計量法を開発した。 AUTKCはより優れた識別能力を持ち、ベイズ最適スコア関数は条件付き確率に対して正しいトップKランクを与えることができる。 提案手法を最適化するために,実証的なサロゲートリスク最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-03T11:09:13Z)
• X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
  ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。 両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
  論文  参考訳（メタデータ） (2021-10-09T13:56:48Z)
• Gradient Descent in RKHS with Importance Labeling [58.79085525115987]
  我々は重要ラベル付け問題について研究し、ラベルなしデータが多く与えられている。 ラベルなしデータの情報サブセットを効果的に選択できる新しい重要ラベル方式を提案する。
  論文  参考訳（メタデータ） (2020-06-19T01:55:00Z)
• Least Squares Regression with Markovian Data: Fundamental Limits and Algorithms [69.45237691598774]
  マルコフ連鎖からデータポイントが依存しサンプリングされる最小二乗線形回帰問題について検討する。 この問題を$tau_mathsfmix$という観点から、鋭い情報理論のミニマックス下限を確立する。 本稿では,経験的リプレイに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-16T04:26:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。