論文の概要: Causality-based CTR Prediction using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2301.12762v1
• Date: Mon, 30 Jan 2023 10:16:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-31 15:18:43.785043
• Title: Causality-based CTR Prediction using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた因果性に基づくCTR予測
• Authors: Panyu Zhai, Yanwu Yang and Chunjie Zhang
• Abstract要約: 本稿では,グラフニューラルネットワークフレームワーク(Causal-GNN)における因果性に基づくCTR予測モデルを提案する。 オンライン広告のコンテキストにおいて、機能グラフ、ユーザグラフ、広告グラフの表現を統合する。 3つの公開データセットで実施された実験は、AUCとLoglossにおけるCausal-GNNの優位性を示している。
• 参考スコア（独自算出の注目度）: 14.93804796744474
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As a prevalent problem in online advertising, CTR prediction has attracted plentiful attention from both academia and industry. Recent studies have been reported to establish CTR prediction models in the graph neural networks (GNNs) framework. However, most of GNNs-based models handle feature interactions in a complete graph, while ignoring causal relationships among features, which results in a huge drop in the performance on out-of-distribution data. This paper is dedicated to developing a causality-based CTR prediction model in the GNNs framework (Causal-GNN) integrating representations of feature graph, user graph and ad graph in the context of online advertising. In our model, a structured representation learning method (GraphFwFM) is designed to capture high-order representations on feature graph based on causal discovery among field features in gated graph neural networks (GGNNs), and GraphSAGE is employed to obtain graph representations of users and ads. Experiments conducted on three public datasets demonstrate the superiority of Causal-GNN in AUC and Logloss and the effectiveness of GraphFwFM in capturing high-order representations on causal feature graph.
• Abstract（参考訳）: オンライン広告における一般的な問題として、CTR予測は学術と産業の両方から多くの注目を集めている。 近年,グラフニューラルネットワーク(GNN)フレームワークにおけるCTR予測モデルの構築が報告されている。 しかし、ほとんどのGNNベースのモデルは、機能間の因果関係を無視しながら、完全なグラフにおける機能相互作用を処理するため、アウト・オブ・ディストリビューションデータの性能は大幅に低下する。 本稿では,オンライン広告の文脈における特徴グラフ,ユーザグラフ,広告グラフの表現を統合するGNNフレームワーク(Causal-GNN)における因果性に基づくCTR予測モデルの開発に着目する。 本モデルでは,ゲートグラフニューラルネットワーク(GGNN)におけるフィールド特徴間の因果発見に基づいて,特徴グラフ上の高次表現を抽出する構造表現学習法(GraphFwFM)を設計し,ユーザと広告のグラフ表現を得るためにGraphSAGEを用いる。 3つの公開データセットで実施された実験は、AUCとLoglossにおけるCausal-GNNの優位性と、因果特徴グラフ上の高次表現のキャプチャにおけるGraphFwFMの有効性を示す。

関連論文リスト

• Graph Reasoning Networks [9.18586425686959]
  Graph Reasoning Networks (GRNs) は、グラフ表現と学習したグラフ表現の長所と、微分可能満足度解法に基づく推論モジュールを組み合わせるための新しいアプローチである。 実世界のデータセットの結果は、GNNに匹敵するパフォーマンスを示している。 合成データセットの実験は、新しく提案された手法の可能性を示している。
  論文  参考訳（メタデータ） (2024-07-08T10:53:49Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Self-supervision meets kernel graph neural models: From architecture to augmentations [36.388069423383286]
  カーネルグラフニューラルネットワーク(KGNN)の設計と学習の改善 我々はLGA(Latent graph augmentation)と呼ばれる新しい構造保存グラフデータ拡張法を開発した。 提案モデルは,最先端のグラフ表現学習フレームワークに匹敵する,あるいは時として優れる性能を実現する。
  論文  参考訳（メタデータ） (2023-10-17T14:04:22Z)
• The Expressive Power of Graph Neural Networks: A Survey [9.08607528905173]
  定義の異なる表現力向上モデルに関する第1回調査を行う。 モデルは、グラフ機能拡張、グラフトポロジ拡張、GNNアーキテクチャ拡張という3つのカテゴリに基づいてレビューされる。
  論文  参考訳（メタデータ） (2023-08-16T09:12:21Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
  本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。 我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
  論文  参考訳（メタデータ） (2022-08-21T15:12:08Z)
• Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
  本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。 我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
  論文  参考訳（メタデータ） (2022-07-10T06:42:02Z)
• Distribution Preserving Graph Representation Learning [11.340722297341788]
  グラフニューラルネットワーク(GNN)は、ノードとグラフ全体の分散表現のためのグラフをモデル化するのに有効である。 本稿では,表現型GNNモデルの一般化性を向上させるGNNフレームワークとして,分散保存GNN(DP-GNN)を提案する。 提案するDP-GNNフレームワークを,グラフ分類タスクのための複数のベンチマークデータセット上で評価する。
  論文  参考訳（メタデータ） (2022-02-27T19:16:26Z)
• Stability and Generalization Capabilities of Message Passing Graph Neural Networks [4.691259009382681]
  グラフ分類におけるMPNNの一般化能力について検討する。 経験的損失と統計的損失の間の一般化ギャップに非漸近的境界を導出する。 これは、グラフに適用されたMPNNが、グラフが識別する幾何学的モデルに適用されたMPNNを近似することを示すことで証明される。
  論文  参考訳（メタデータ） (2022-02-01T18:37:53Z)
• OOD-GNN: Out-of-Distribution Generalized Graph Neural Network [73.67049248445277]
  グラフニューラルネットワーク(GNN)は、グラフデータのテストとトレーニングを同一の分布から行うことで、優れたパフォーマンスを実現している。 既存のGNNでは、テストとグラフデータのトレーニングの間に分散シフトが存在する場合、その性能が著しく低下する。 本稿では,学習グラフと異なる分布を持つ未確認試験グラフに対して,満足な性能を実現するために,アウト・オブ・ディストリビューション一般化グラフニューラルネットワーク(OOD-GNN)を提案する。
  論文  参考訳（メタデータ） (2021-12-07T16:29:10Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)

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。