論文の概要: Multi-Scenario Ranking with Adaptive Feature Learning

• arxiv url: http://arxiv.org/abs/2306.16732v1
• Date: Thu, 29 Jun 2023 07:14:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-30 14:27:59.247240
• Title: Multi-Scenario Ranking with Adaptive Feature Learning
• Title（参考訳）: 適応型特徴学習によるマルチスセナリオランキング
• Authors: Yu Tian, Bofang Li, Si Chen, Xubin Li, Hongbo Deng, Jian Xu, Bo Zheng, Qian Wang, Chenliang Li
• Abstract要約: マルチシナリオラーニング(Multi-Scenario Learning、MSL)は、業界におけるレコメンデーションと検索システムにおいて広く使われている。 MSLは、より最適なネットワーク構造を探索することで、異なるパラダイムを生成する。 Alibabaの検索広告プラットフォーム上でのA/Bテストの結果は、Mariaがプロダクション環境で優れていることも示しています。
• 参考スコア（独自算出の注目度）: 47.03869915754652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, Multi-Scenario Learning (MSL) is widely used in recommendation and retrieval systems in the industry because it facilitates transfer learning from different scenarios, mitigating data sparsity and reducing maintenance cost. These efforts produce different MSL paradigms by searching more optimal network structure, such as Auxiliary Network, Expert Network, and Multi-Tower Network. It is intuitive that different scenarios could hold their specific characteristics, activating the user's intents quite differently. In other words, different kinds of auxiliary features would bear varying importance under different scenarios. With more discriminative feature representations refined in a scenario-aware manner, better ranking performance could be easily obtained without expensive search for the optimal network structure. Unfortunately, this simple idea is mainly overlooked but much desired in real-world systems.Further analysis also validates the rationality of adaptive feature learning under a multi-scenario scheme. Moreover, our A/B test results on the Alibaba search advertising platform also demonstrate that Maria is superior in production environments.
• Abstract（参考訳）: 近年,多目的学習(msl)は,異なるシナリオからの学習の転送,データのスパーシティの軽減,メンテナンスコストの低減などにより,業界のレコメンデーションや検索システムで広く利用されている。 これらの取り組みは、Auxiliary Network、Expert Network、Multi-Tower Networkなど、より最適なネットワーク構造を探索することで異なるMSLパラダイムを作成する。 異なるシナリオが特定の特性を持ち、ユーザの意図を全く異なるものにすることができるのは直感的です。 言い換えれば、異なるシナリオ下で異なる種類の補助的特徴が様々な重要性を持つ。 シナリオを意識したより差別的な特徴表現により、最適なネットワーク構造を検索することなく、より優れたランク付け性能を得ることができる。 残念ながら、この単純なアイデアは、主に実世界のシステムでは見過ごされているが、多くの希望がある。解析によって、マルチスセナリオスキームによる適応的特徴学習の合理性も検証される。 さらに、Alibabaの検索広告プラットフォームにおけるA/Bテストの結果は、Mariaがプロダクション環境で優れていることを示している。

関連論文リスト

• A Task-aware Dual Similarity Network for Fine-grained Few-shot Learning [19.90385022248391]
  TDSNet(Task-aware Dual similarity Network)は,グローバルな不変機能と識別的局所的詳細を探索する手法である。 TDSNetは、他の最先端アルゴリズムと比較することで、競争性能を達成する。
  論文  参考訳（メタデータ） (2022-10-22T04:24:55Z)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• Meta Navigator: Search for a Good Adaptation Policy for Few-shot Learning [113.05118113697111]
  少ないショット学習は、ラベル付きデータしか持たない新しいタスクに、以前のタスクから学んだ知識を適応させることを目的としている。 少数ショット学習に関する研究文献は、大きな多様性を示し、異なるアルゴリズムは、しばしば異なる少数ショット学習シナリオで優れている。 本稿では,メタナビゲータ(Meta Navigator)について紹介する。
  論文  参考訳（メタデータ） (2021-09-13T07:20:01Z)
• Exploring Complementary Strengths of Invariant and Equivariant Representations for Few-Shot Learning [96.75889543560497]
  多くの現実世界では、多数のラベル付きサンプルの収集は不可能です。 少ないショット学習はこの問題に対処するための主要なアプローチであり、目的は限られた数のサンプルの存在下で新しいカテゴリに迅速に適応することです。 幾何学的変換の一般集合に対する等分散と不変性を同時に強制する新しい訓練機構を提案する。
  論文  参考訳（メタデータ） (2021-03-01T21:14:33Z)
• Scenario-aware and Mutual-based approach for Multi-scenario Recommendation in E-Commerce [12.794276204716642]
  不均質な電子商取引のシナリオでユーザーのための正確な推奨を行う方法は、まだ継続的な研究トピックです。 本稿では,複数のシナリオの違いと類似性を活用するScenario-aware Mutual Learning (SAML) という新しい推奨モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-16T13:52:14Z)
• A Flexible Selection Scheme for Minimum-Effort Transfer Learning [27.920304852537534]
  ファインチューニングは、トレーニング済みの畳み込みネットワークに含まれる知識を活用して、新しい視覚認識タスクを実現する方法として人気がある。 フレキシブルチューニング(flex-tuning)と呼ばれる,ネットワークの個々のユニットをチューニング可能な,新たなファインチューニング方式を導入する。 微調整された個々のユニットは、その単純さにもかかわらず、適応手法として非常に良い結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-08-27T08:57:30Z)
• Uniform Priors for Data-Efficient Transfer [65.086680950871]
  もっとも移動可能な特徴は埋め込み空間において高い均一性を有することを示す。 我々は、未確認のタスクやデータへの適応を容易にする能力の正規化を評価する。
  論文  参考訳（メタデータ） (2020-06-30T04:39:36Z)
• DiVA: Diverse Visual Feature Aggregation for Deep Metric Learning [83.48587570246231]
  視覚的類似性は多くのコンピュータビジョンアプリケーションにおいて重要な役割を果たす。 ディープ・メトリック・ラーニング(DML)は、そのような類似性を学ぶための強力なフレームワークである。 我々は,概念的に異なるデータ関係を対象とする複数の補完学習タスクを提案し,研究する。 我々は、訓練信号を集約する単一モデルを学び、その結果、強力な一般化と最先端のパフォーマンスが得られる。
  論文  参考訳（メタデータ） (2020-04-28T12:26:50Z)

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。