論文の概要: Concept Drift Adaptation for CTR Prediction in Online Advertising Systems

• arxiv url: http://arxiv.org/abs/2204.05101v1
• Date: Fri, 1 Apr 2022 07:43:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-17 07:08:27.444379
• Title: Concept Drift Adaptation for CTR Prediction in Online Advertising Systems
• Title（参考訳）: オンライン広告システムにおけるCTR予測のためのコンセプトドリフト適応
• Authors: Congcong Liu, Yuejiang Li, Xiwei Zhao, Changping Peng, Zhangang Lin, Jingping Shao
• Abstract要約: クリックスルー率(CTR)予測は、ウェブ検索、レコメンダシステム、オンライン広告表示において重要な課題である。 本稿では,CTR予測データストリームにおける適応フィルタリングによるコンセプトドリフト問題を軽減するために,専門家の適応混合(AdaMoE)を提案する。
• 参考スコア（独自算出の注目度）: 6.900209851954917
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Click-through rate (CTR) prediction is a crucial task in web search, recommender systems, and online advertisement displaying. In practical application, CTR models often serve with high-speed user-generated data streams, whose underlying distribution rapidly changing over time. The concept drift problem inevitably exists in those streaming data, which can lead to performance degradation due to the timeliness issue. To ensure model freshness, incremental learning has been widely adopted in real-world production systems. However, it is hard for the incremental update to achieve the balance of the CTR models between the adaptability to capture the fast-changing trends and generalization ability to retain common knowledge. In this paper, we propose adaptive mixture of experts (AdaMoE), a new framework to alleviate the concept drift problem by adaptive filtering in the data stream of CTR prediction. The extensive experiments on the offline industrial dataset and online A/B tests show that our AdaMoE significantly outperforms all incremental learning frameworks considered.
• Abstract（参考訳）: クリックスルー率(CTR)予測は、ウェブ検索、推薦システム、オンライン広告表示において重要な課題である。 CTRモデルは、しばしば高速なユーザ生成データストリームで機能し、その基盤となる分布は時間とともに急速に変化する。 ストリーミングデータには必然的にコンセプトドリフトの問題が存在し、タイムラインの問題によりパフォーマンスが低下する可能性がある。 モデル鮮度を確保するため、インクリメンタル学習は現実世界のプロダクションシステムで広く採用されている。 しかし, CTRモデルの適応性と, 共通知識を維持する一般化能力とのバランスを, 漸進的に更新することは困難である。 本稿では,ctr予測データストリームにおける適応フィルタリングによる概念ドリフト問題を緩和するための新しいフレームワークであるadaptive mixture of experts (adamoe)を提案する。 オフラインの産業データセットとオンラインのA/Bテストに関する広範な実験は、AdaMoEが考慮されたすべての漸進的な学習フレームワークを著しく上回っていることを示している。

関連論文リスト

• Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks [60.54852710216738]
  我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、次世代無線ネットワークにおける信頼性の高いキャッシュを実現する。 信頼性モジュールを制約付き決定プロセスに組み込むことで、D-RECは、有利な制約に従うために、アクション、報酬、状態を適応的に調整することができる。
  論文  参考訳（メタデータ） (2024-06-29T02:40:28Z)
• CCDSReFormer: Traffic Flow Prediction with a Criss-Crossed Dual-Stream Enhanced Rectified Transformer Model [32.45713037210818]
  我々はCriss-Crossed Dual-Stream Enhanced Rectified Transformer Model (CCDSReFormer)を紹介する。 ReSSA(Enhanced Rectified Spatial Self-attention)、ReDASA(Enhanced Rectified Delay Aware Self-attention)、ReTSA(Enhanced Rectified Temporal Self-attention)の3つの革新的なモジュールが含まれている。 これらのモジュールは、疎注意による計算ニーズの低減、トラフィックダイナミクスの理解向上のためのローカル情報への注力、ユニークな学習手法による空間的および時間的洞察の融合を目的としている。
  論文  参考訳（メタデータ） (2024-03-26T14:43:57Z)
• Always Strengthen Your Strengths: A Drift-Aware Incremental Learning Framework for CTR Prediction [4.909628097144909]
  クリックスルー率(CTR)予測はレコメンデーションシステムやオンライン広告プラットフォームにおいて非常に重要である。 ストリーミングデータには、基礎となる分布が時間とともにドリフトし、再帰する可能性があるという特徴がある。 我々は、CTR予測における破滅的な忘れに対処するために、アンサンブル学習に基づく新しいドリフト対応インクリメンタルラーニングフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-04-17T05:45:18Z)
• Confidence Attention and Generalization Enhanced Distillation for Continuous Video Domain Adaptation [62.458968086881555]
  連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。 CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-18T16:40:10Z)
• Directed Acyclic Graph Factorization Machines for CTR Prediction via Knowledge Distillation [65.62538699160085]
  本稿では,既存の複雑な相互作用モデルから,知識蒸留によるCTR予測のための高次特徴相互作用を学習するための非巡回グラフファクトリゼーションマシン(KD-DAGFM)を提案する。 KD-DAGFMは、オンラインとオフラインの両方の実験において、最先端のFLOPの21.5%未満で最高の性能を達成する。
  論文  参考訳（メタデータ） (2022-11-21T03:09:42Z)
• Real-time Object Detection for Streaming Perception [84.2559631820007]
  ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。 ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。 提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
  論文  参考訳（メタデータ） (2022-03-23T11:33:27Z)
• Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
  Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。 FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。 私たちのコードは公開されます。
  論文  参考訳（メタデータ） (2022-02-23T18:23:07Z)
• Employing chunk size adaptation to overcome concept drift [2.277447144331876]
  ブロックベースのデータストリーム分類アルゴリズムに適応可能な新しいチャンク適応復元フレームワークを提案する。 提案アルゴリズムは,概念ドリフト検出時のデータチャンクサイズを調整し,その変更が使用済みモデルの予測性能に与える影響を最小限に抑える。
  論文  参考訳（メタデータ） (2021-10-25T12:36:22Z)
• Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
  本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
  論文  参考訳（メタデータ） (2021-10-22T15:25:14Z)
• Switching Scheme: A Novel Approach for Handling Incremental Concept Drift in Real-World Data Sets [0.0]
  概念ドリフトは、機械学習システムの予測性能に深刻な影響を与える可能性がある。 本研究では,実世界のデータセットの文脈における概念ドリフトの効果を分析する。 本稿では,機械学習モデルの再学習と更新の2つの原則を組み合わせたスイッチング方式を提案する。
  論文  参考訳（メタデータ） (2020-11-05T10:16:54Z)
• Deep Time-Stream Framework for Click-Through Rate Prediction by Tracking Interest Evolution [33.090918958117946]
  我々は,CTRモデルにおけるユーザ関心傾向を,豊富な歴史的行動から追跡するために,継続時間情報を検討する必要があると論じている。 通常の微分方程式(ODE)による時間情報を提供する新しい時間ストリームフレームワーク(DTS)を提案する。 DTSは、ニューラルネットワークを使用して関心の進化を継続的にモデル化し、ユーザの関心を動的に表現する課題に取り組むことができる。
  論文  参考訳（メタデータ） (2020-01-08T10:33:23Z)

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。