論文の概要: Click-through Rate Prediction with Auto-Quantized Contrastive Learning

• arxiv url: http://arxiv.org/abs/2109.13921v1
• Date: Mon, 27 Sep 2021 04:39:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-30 14:57:41.618121
• Title: Click-through Rate Prediction with Auto-Quantized Contrastive Learning
• Title（参考訳）: 自動量子化コントラスト学習によるクリックスルー率予測
• Authors: Yujie Pan, Jiangchao Yao, Bo Han, Kunyang Jia, Ya Zhang, Hongxia Yang
• Abstract要約: ユーザ行動が予測の利益を捉えるのに十分リッチかどうかを考察し、モデルを正規化するためのAQCL(Auto-Quantized Contrastive Learning)損失を提案する。 提案されたフレームワークは、異なるモデルアーキテクチャに非依存であり、エンドツーエンドでトレーニングすることができる。
• 参考スコア（独自算出の注目度）: 46.585376453464114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Click-through rate (CTR) prediction becomes indispensable in ubiquitous web recommendation applications. Nevertheless, the current methods are struggling under the cold-start scenarios where the user interactions are extremely sparse. We consider this problem as an automatic identification about whether the user behaviors are rich enough to capture the interests for prediction, and propose an Auto-Quantized Contrastive Learning (AQCL) loss to regularize the model. Different from previous methods, AQCL explores both the instance-instance and the instance-cluster similarity to robustify the latent representation, and automatically reduces the information loss to the active users due to the quantization. The proposed framework is agnostic to different model architectures and can be trained in an end-to-end fashion. Extensive results show that it consistently improves the current state-of-the-art CTR models.
• Abstract（参考訳）: クリックスルー率(CTR)予測は、ユビキタスウェブレコメンデーションアプリケーションでは不可欠である。 それでも、現在の手法は、ユーザインタラクションが極めて疎いコールドスタートシナリオで苦労しています。 本稿では,ユーザ行動が予測対象の興味を捉えるのに十分な量であるかどうかを自動識別し,モデルの正規化を目的とした自動量子コントラスト学習(AQCL)の損失を提案する。 従来の方法とは異なり、AQCLはインスタンスインスタンスとインスタンスクラスタの類似性の両方を探り、潜在表現を堅牢化し、量子化によるアクティブユーザへの情報損失を自動的に低減する。 提案されたフレームワークは、異なるモデルアーキテクチャに依存しず、エンドツーエンドでトレーニングすることができる。 その結果,現状のCTRモデルを常に改善していることがわかった。

関連論文リスト

• Using Deep Autoregressive Models as Causal Inference Engines [38.26602521505842]
  本稿では,現代アプリケーションに共通する複雑な共同ファウンダーやシーケンシャルアクションを扱える自己回帰型因果推論フレームワークを提案する。 本手法は,基礎となる因果線図からトークンの列へと変換する。 我々は,CIに適応したARモデルは,迷路をナビゲートしたり,チェスのエンドゲームを行ったり,あるキーワードが紙の受容率に与える影響を評価するなど,様々な複雑な応用において効率的かつ効果的であることが実証された。
  論文  参考訳（メタデータ） (2024-09-27T09:37:09Z)
• Multimedia Traffic Anomaly Detection [16.428768082688908]
  ユーザレベルのソーシャルマルチメディアトラフィック異常検出のためのメタラーニング手法である textitMeta-UAD を提案する。 提案手法を2つの公開データセット上で評価し,Meta-UADの優位性をさらに証明した。
  論文  参考訳（メタデータ） (2024-08-27T08:55:41Z)
• Secure Hierarchical Federated Learning in Vehicular Networks Using Dynamic Client Selection and Anomaly Detection [10.177917426690701]
  階層的フェデレートラーニング(HFL)は、車両ネットワークにおける敵または信頼できない車両の課題に直面している。 本研究では,動的車両選択とロバストな異常検出機構を統合した新しい枠組みを提案する。 提案アルゴリズムは,強烈な攻撃条件下においても顕著なレジリエンスを示す。
  論文  参考訳（メタデータ） (2024-05-25T18:31:20Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Learning to Learn in Interactive Constraint Acquisition [7.741303298648302]
  制約獲得(CA:Constraint Acquisition)では、モデルを自動的に学習することでユーザを支援することが目標である。 アクティブCAでは、クエリを対話的にユーザにポストすることでこれを行う。 本稿では、確率論的分類モデルを用いて対話型CAを誘導し、より有望なクエリを生成することを提案する。
  論文  参考訳（メタデータ） (2023-12-17T19:12:33Z)
• Mitigating Catastrophic Forgetting in Task-Incremental Continual Learning with Adaptive Classification Criterion [50.03041373044267]
  本稿では,継続的学習のための適応型分類基準を用いた教師付きコントラスト学習フレームワークを提案する。 実験により, CFLは最先端の性能を達成し, 分類基準に比べて克服する能力が強いことが示された。
  論文  参考訳（メタデータ） (2023-05-20T19:22:40Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
  我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。 本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
  論文  参考訳（メタデータ） (2021-06-17T02:40:18Z)

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。