論文の概要: Multi-Head Online Learning for Delayed Feedback Modeling
- arxiv url: http://arxiv.org/abs/2205.12406v1
- Date: Tue, 24 May 2022 23:28:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-29 00:28:25.392565
- Title: Multi-Head Online Learning for Delayed Feedback Modeling
- Title（参考訳）: 遅延フィードバックモデリングのためのマルチヘッドオンライン学習
- Authors: Hui Gao and Yihan Yang
- Abstract要約: オンライン広告では、変換の確率と価値を予測することが非常に重要である。
本稿では,マルチヘッドモデリングを用いた新しい手法を提案する。
変換率(CVR)とクリック毎値(VPC)を予測するオンライン学習実験において,既知の手法の性能を大幅に上回ることを示す。
- 参考スコア（独自算出の注目度）: 2.0212306405747706
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In online advertising, it is highly important to predict the probability and
the value of a conversion (e.g., a purchase). It not only impacts user
experience by showing relevant ads, but also affects ROI of advertisers and
revenue of marketplaces. Unlike clicks, which often occur within minutes after
impressions, conversions are expected to happen over a long period of time
(e.g., 30 days for online shopping). It creates a challenge, as the true labels
are only available after the long delays. Either inaccurate labels (partial
conversions) are used, or models are trained on stale data (e.g., from 30 days
ago). The problem is more eminent in online learning, which focuses on the live
performance on the latest data. In this paper, a novel solution is presented to
address this challenge using multi-head modeling. Unlike traditional methods,
it directly quantizes conversions into multiple windows, such as day 1, day 2,
day 3-7, and day 8-30. A sub-model is trained specifically on conversions
within each window. Label freshness is maximally preserved in early models
(e.g., day 1 and day 2), while late conversions are accurately utilized in
models with longer delays (e.g., day 8-30). It is shown to greatly exceed the
performance of known methods in online learning experiments for both conversion
rate (CVR) and value per click (VPC) predictions. Lastly, as a general method
for delayed feedback modeling, it can be combined with any advanced ML
techniques to further improve the performance.
- Abstract（参考訳）: オンライン広告では、変換の確率と価値(例えば購入)を予測することが非常に重要である。
関連する広告を表示することでユーザー体験に影響を与えるだけでなく、広告主のroiやマーケットプレースの収益にも影響する。
インプレッションの数分後に発生するクリックとは異なり、コンバージョンは長時間(例えばオンラインショッピングの30日)に行われることが期待されている。
本当のラベルは長い遅延の後だけ利用できるので、それは挑戦を生み出します。
不正確なラベル(部分変換)が使用されるか、古いデータ(例:30日前)でモデルが訓練される。
問題は、最新のデータのライブパフォーマンスに焦点を当てたオンライン学習において、より顕著である。
本稿では,マルチヘッドモデリングを用いて,この課題に対処するための新しい解を提案する。
従来の方法とは異なり、day 1, day 2, day 3-7, day 8-30のような複数のウィンドウへの変換を直接量子化する。
サブモデルは、各ウィンドウ内の変換に特化して訓練される。
ラベルの鮮度は初期のモデル(例:1日と2日)で最大に保たれ、遅延変換はより長いモデル(例:8-30日)で正確に利用される。
変換率(CVR)とクリック毎値(VPC)を予測するオンライン学習実験において,既知の手法の性能を大幅に上回ることを示す。
最後に、遅延フィードバックモデリングの一般的な方法として、より高度なML技術と組み合わせることで、さらなる性能向上を図ることができる。
関連論文リスト
- Prioritized Generative Replay [121.83947140497655]
本稿では,オンライン体験を再現する生成モデルを用いて,エージェントのメモリの優先的でパラメトリックなバージョンを提案する。
このパラダイムは、生成モデルの一般化能力の恩恵を受ける新しい世代と共に、過去の経験の密度化を可能にする。
このレシピは条件付き拡散モデルと単純な関連関数を用いてインスタンス化できることを示す。
論文 参考訳（メタデータ） (2024-10-23T17:59:52Z) - Improving conversion rate prediction via self-supervised pre-training in
online advertising [2.447795279790662]
変換-ギブン-クリックを予測するモデルのトレーニングにおける重要な課題は、データの疎性にある。
我々は、自己教師付き事前学習というよく知られたアイデアを使用し、すべての変換イベントに基づいて訓練された補助的オートエンコーダモデルを使用する。
オフラインでも、トレーニング中でも、オンラインA/Bテストでも改善が見られます。
論文 参考訳（メタデータ） (2024-01-25T08:44:22Z) - Freshness or Accuracy, Why Not Both? Addressing Delayed Feedback via
Dynamic Graph Neural Networks [23.952923773407043]
遅延フィードバック問題は、変換率を予測する上で最も困難な課題の1つである。
動的グラフニューラルネットワーク(DGDFEM)による遅延フィードバックモデリングを提案する。
データパイプラインの作成、動的グラフの構築、CVR予測モデルのトレーニングという3つのステージが含まれている。
論文 参考訳（メタデータ） (2023-08-15T23:49:07Z) - Cross-Modal Adapter for Text-Video Retrieval [91.9575196703281]
我々はパラメータ効率の良い微調整のための新しい$textbfCross-Modal Adapterを提示する。
アダプタベースの手法にインスパイアされ、いくつかのパラメータ化レイヤで事前訓練されたモデルを調整します。
MSR-VTT、MSVD、VATEX、ActivityNet、DiDeMoデータセットで完全に微調整されたメソッドと比較して、優れた、あるいは同等のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-17T16:15:30Z) - When Liebig's Barrel Meets Facial Landmark Detection: A Practical Model [87.25037167380522]
正確で、堅牢で、効率的で、一般化可能で、エンドツーエンドのトレーニングが可能なモデルを提案する。
精度を向上させるために,2つの軽量モジュールを提案する。
DQInitは、インプットからデコーダのクエリを動的に初期化し、複数のデコーダ層を持つものと同じ精度でモデルを実現する。
QAMemは、共有するクエリではなく、それぞれのクエリに別々のメモリ値を割り当てることで、低解像度のフィーチャーマップ上のクエリの識別能力を高めるように設計されている。
論文 参考訳（メタデータ） (2021-05-27T13:51:42Z) - Reducing Representation Drift in Online Continual Learning [87.71558506591937]
私たちは、エージェントが制限されたメモリと計算で変化する分布から学ぶ必要があるオンライン連続学習パラダイムを研究します。
この作業では、入ってくるデータストリームに未観測のクラスサンプルが導入されることにより、事前に観測されたデータの表現の変化に焦点を合わせます。
論文 参考訳（メタデータ） (2021-04-11T15:19:30Z) - ViViT: A Video Vision Transformer [75.74690759089529]
ビデオ分類にpure-transformerベースのモデルを提案する。
本モデルでは,入力ビデオから時間トークンを抽出し,一連のトランスフォーマー層で符号化する。
トレーニング中にモデルを効果的に正規化し、トレーニング済みの画像モデルを利用して比較的小さなデータセットでトレーニングできることを示します。
論文 参考訳（メタデータ） (2021-03-29T15:27:17Z) - Handling many conversions per click in modeling delayed feedback [6.14776588144073]
クリック後の変換は、パフォーマンスベースのデジタル広告の重要なタスクです。
3つの中核的なアイデアに基づく偏りのない推定モデルを用いて,これらの課題に取り組む。
第1のアイデアはラベルを異なる遅延バケットを持つラベルの和として分割し、第2のアイデアは精度の向上と推論コストの削減に温度計エンコーディングを使用することであり、第3のアイデアはモデルの安定性の向上と分布のドリフトの処理に補助情報を使用することである。
論文 参考訳（メタデータ） (2021-01-06T21:57:51Z) - Capturing Delayed Feedback in Conversion Rate Prediction via
Elapsed-Time Sampling [29.77426549280091]
コンバージョンレート(CVR)予測は、デジタルディスプレイ広告において最も重要なタスクの1つである。
Elapsed-Time Smpling Delayed Feedback Model (ES-DFM) を提案する。
論文 参考訳（メタデータ） (2020-12-06T12:20:50Z) - TERA: Self-Supervised Learning of Transformer Encoder Representation for
Speech [63.03318307254081]
TERA は Transformer Representations from Alteration の略である。
我々は3つの軸に沿った変形を用いて、大量のラベルなし音声でトランスフォーマーを事前訓練する。
TERAは、音声表現の抽出や下流モデルによる微調整に使用することができる。
論文 参考訳（メタデータ） (2020-07-12T16:19:00Z) - Interpretable Deep Learning Model for Online Multi-touch Attribution [14.62385029537631]
本稿では,深層学習モデルとオンラインマルチタッチ属性の解釈のための付加的特徴説明モデルを組み合わせたDeepMTAという新しいモデルを提案する。
MTAの最初の解釈可能なディープラーニングモデルとして、DeepMTAは、顧客ジャーニーにおける3つの重要な特徴について検討している。
実データセットの評価は、提案した変換予測モデルが91%の精度を達成することを示している。
論文 参考訳（メタデータ） (2020-03-26T23:21:40Z)
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。