論文の概要: On the Factory Floor: ML Engineering for Industrial-Scale Ads Recommendation Models

• arxiv url: http://arxiv.org/abs/2209.05310v1
• Date: Mon, 12 Sep 2022 15:15:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-13 14:20:43.452298
• Title: On the Factory Floor: ML Engineering for Industrial-Scale Ads Recommendation Models
• Title（参考訳）: ファクトリーフロア:産業用広告推薦モデルのためのMLエンジニアリング
• Authors: Rohan Anil, Sandra Gadanho, Da Huang, Nijith Jacob, Zhuoshu Li, Dong Lin, Todd Phillips, Cristina Pop, Kevin Regan, Gil I. Shamir, Rakesh Shivanna, Qiqi Yan
• Abstract要約: 産業規模の広告システムでは、広告クリックスルー率(CTR)の予測が中心的な問題である。 本稿では,Googleの検索広告CTRモデルに実装された実用技術について事例研究を行う。
• 参考スコア（独自算出の注目度）: 9.102290972714652
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For industrial-scale advertising systems, prediction of ad click-through rate (CTR) is a central problem. Ad clicks constitute a significant class of user engagements and are often used as the primary signal for the usefulness of ads to users. Additionally, in cost-per-click advertising systems where advertisers are charged per click, click rate expectations feed directly into value estimation. Accordingly, CTR model development is a significant investment for most Internet advertising companies. Engineering for such problems requires many machine learning (ML) techniques suited to online learning that go well beyond traditional accuracy improvements, especially concerning efficiency, reproducibility, calibration, credit attribution. We present a case study of practical techniques deployed in Google's search ads CTR model. This paper provides an industry case study highlighting important areas of current ML research and illustrating how impactful new ML methods are evaluated and made useful in a large-scale industrial setting.
• Abstract（参考訳）: 産業規模の広告システムでは、広告クリックスルー率(CTR)の予測が中心的な問題である。 広告クリックはユーザーエンゲージメントの重要なクラスであり、しばしばユーザーにとって広告の有用性を示す主要なシグナルとして使われる。 さらに、広告主がクリックごとに課金されるクリック単価広告システムでは、クリック率の期待値が直接価値評価に反映される。 したがって、CTRモデルの開発は、ほとんどのインターネット広告会社にとって重要な投資である。 このような問題に対するエンジニアリングには、従来の精度向上、特に効率、再現性、キャリブレーション、クレジットアトリビューションを超えて、オンライン学習に適した多くの機械学習(ml)技術が必要である。 本稿では,Googleの検索広告CTRモデルに実装された実用技術について事例研究を行う。 本稿では,現在のML研究の重要領域を明らかにする産業ケーススタディと,大規模産業環境でのインパクトのある新しいML手法の評価と有用性について述べる。

関連論文リスト

• Efficient Transfer Learning Framework for Cross-Domain Click-Through Rate Prediction [47.7066461216227]
  クロスドメインクリックスルーレート予測(E-CDCTR)のための効率的な伝達学習フレームワーク 鍵となる3つの要素:Tiny Pre-Traning Model (TPM)、Complete Pre-Traning Model (CPM)、そして—CTR Model (A-CTR) TPMは、CPMとA-CTRの両方に対して、ユーザとアイテムのよりリッチな表現を提供し、日々の更新に固有の問題を効果的に軽減します。
  論文  参考訳（メタデータ） (2024-08-29T03:34:39Z)
• 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)
• Unified Off-Policy Learning to Rank: a Reinforcement Learning Perspective [61.4025671743675]
  メソッドをランク付けするオフポリシー学習は、ユーザがクリックデータを生成する方法に関して、強い仮定をすることが多い。 オフライン強化学習は,複雑なデバイアス手法や事前知識を使わずに,様々なクリックモデルに適応できることを示す。 様々な大規模データセットの結果から、CUOLRはアルゴリズムのランク付けに最先端のオフポリシー学習を一貫して上回っていることが示される。
  論文  参考訳（メタデータ） (2023-06-13T03:46:22Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• Practical Lessons on Optimizing Sponsored Products in eCommerce [6.245623148893172]
  広告システムにおけるスポンサー付製品最適化の問題点として,位置ベースデバイアス,クリック変換マルチタスク学習,および予測クリックスルーレート(pCTR)のキャリブレーションについて検討した。 本稿では,既存の機械学習モデルに構造的変更を加えることなくソリューションを提供する,実践的な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-05T21:46:20Z)
• Canary in a Coalmine: Better Membership Inference with Ensembled Adversarial Queries [53.222218035435006]
  私たちは、差別的で多様なクエリを最適化するために、逆ツールを使用します。 我々の改善は既存の方法よりもはるかに正確な会員推定を実現している。
  論文  参考訳（メタデータ） (2022-10-19T17:46:50Z)
• Rethinking Position Bias Modeling with Knowledge Distillation for CTR Prediction [8.414183573280779]
  本研究では,位置バイアスの影響を緩和し,位置情報を活用してCTR予測を改善する知識蒸留フレームワークを提案する。 提案手法は現実世界のオンライン広告システムに展開され、世界最大の電子商取引プラットフォームの1つで主要なトラフィックを提供する。
  論文  参考訳（メタデータ） (2022-04-01T07:58:38Z)
• Click-Through Rate Prediction in Online Advertising: A Literature Review [0.0]
  我々は,最新のCTR予測研究について,系統的な文献レビューを行っている。 現代文献における最先端CTR予測モデルの分類について述べる。 我々は、現在の研究動向、主な課題、今後の今後の展望を、さらなる探査にふさわしいものとみなす。
  論文  参考訳（メタデータ） (2022-02-22T01:05:38Z)
• A First Look at Class Incremental Learning in Deep Learning Mobile Traffic Classification [68.11005070665364]
  インクリメンタルラーニング(IL)技術を使って、モデルに新しいクラスをフルリトレーニングせずに追加し、モデルのアップデートサイクルを高速化します。 iCarlはアートILメソッドのステートであり、MIRAGE-2019は40のAndroidアプリからのトラフィックを持つパブリックデータセットである。 解析によってその初期段階が明らかになっているにもかかわらず、IL技術は自動DLベースの交通分析システムへのロードマップに関する有望な研究分野である。
  論文  参考訳（メタデータ） (2021-07-09T14:28:16Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Learning Graph Meta Embeddings for Cold-Start Ads in Click-Through Rate Prediction [14.709092114902159]
  本稿では,新しい広告IDに適切な初期埋め込みを生成する方法を迅速に学習できるグラフメタ埋め込み(GME)モデルを提案する。 3つの実世界のデータセットによる実験結果から、温暖化と冷暖化の双方において、GMEは予測性能を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2021-05-19T03:46:56Z)

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。