論文の概要: Weighted Multi-Level Feature Factorization for App ads CTR and installation prediction

• arxiv url: http://arxiv.org/abs/2308.02568v1
• Date: Thu, 3 Aug 2023 08:56:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 19:56:02.056011
• Title: Weighted Multi-Level Feature Factorization for App ads CTR and installation prediction
• Title（参考訳）: アプリ広告CTRにおける重み付きマルチレベル特徴係数化とインストール予測
• Authors: Juan Manuel Rodriguez and Antonela Tommasel
• Abstract要約: 本稿では,ACM RecSys Challenge 2023におけるISISTANITOSチームとしてのアプローチの概要を紹介する。 コンペティションはShareChatが主催し、ユーザーがアプリ広告をクリックしたり、アプリをインストールしたりする確率を予測した。 コンペティション・アセスメント・トラックの最終結果では,11位,総合スコア55を達成しました。
• 参考スコア（独自算出の注目度）: 0.6345523830122165
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper provides an overview of the approach we used as team ISISTANITOS for the ACM RecSys Challenge 2023. The competition was organized by ShareChat, and involved predicting the probability of a user clicking an app ad and/or installing an app, to improve deep funnel optimization and a special focus on user privacy. Our proposed method inferring the probabilities of clicking and installing as two different, but related tasks. Hence, the model engineers a specific set of features for each task and a set of shared features. Our model is called Weighted Multi-Level Feature Factorization because it considers the interaction of different order features, where the order is associated to the depth in a neural network. The prediction for a given task is generated by combining the task specific and shared features on the different levels. Our submission achieved the 11 rank and overall score of 55 in the competition academia-track final results. We release our source code at: https://github.com/knife982000/RecSys2023Challenge
• Abstract（参考訳）: 本稿では,ACM RecSys Challenge 2023におけるISISTANITOSチームとしてのアプローチの概要を紹介する。 このコンペはsharechatによって組織され、ユーザーがアプリ広告をクリックしたり、アプリをインストールしたりする確率を予測することで、ユーザープライバシを特に重視する深いファンネル最適化を改善した。 提案手法は,クリックとインストールの確率を2つの異なるタスクとして推定する。 したがって、モデルエンジニアは各タスクの特定の機能セットと共有機能セットを設計する。 我々のモデルは重み付き多レベル特徴分解と呼ばれるが、それは順序がニューラルネットワークの深さに関係している異なる順序特徴の相互作用を考えるからである。 与えられたタスクの予測は、タスク固有の機能と、異なるレベルの共有機能を組み合わせて生成される。 コンペティション・アセスメント・トラックの最終結果では,11位,総合スコア55を達成しました。 ソースコードはhttps://github.com/knife982000/recsys2023challengeで公開しています。

関連論文リスト

• Towards Personalized Federated Multi-Scenario Multi-Task Recommendation [22.095138650857436]
  PF-MSMTrecは、パーソナライズされたマルチシナリオマルチタスクレコメンデーションのための新しいフレームワークである。 複数の最適化競合の独特な課題に対処するために,ボトムアップ共同学習機構を導入する。 提案手法は最先端手法より優れている。
  論文  参考訳（メタデータ） (2024-06-27T07:10:37Z)
• MmAP : Multi-modal Alignment Prompt for Cross-domain Multi-task Learning [29.88567810099265]
  マルチタスク学習は複数の相関タスクを同時に訓練するように設計されている。 この課題に対処するために、デコーダフリーの視覚言語モデルCLIPを統合する。 CLIPのためのマルチモーダルアライメント・プロンプト(MmAP)を提案する。
  論文  参考訳（メタデータ） (2023-12-14T03:33:02Z)
• Exploiting Modality-Specific Features For Multi-Modal Manipulation Detection And Grounding [54.49214267905562]
  マルチモーダルな操作検出とグラウンド処理のためのトランスフォーマーベースのフレームワークを構築する。 本フレームワークは,マルチモーダルアライメントの能力を維持しながら,モダリティ特有の特徴を同時に探求する。 本稿では,グローバルな文脈的キューを各モーダル内に適応的に集約する暗黙的操作クエリ(IMQ)を提案する。
  論文  参考訳（メタデータ） (2023-09-22T06:55:41Z)
• A Dynamic Feature Interaction Framework for Multi-task Visual Perception [100.98434079696268]
  複数の共通認識課題を解決するための効率的な統合フレームワークを考案する。 これらのタスクには、インスタンスセグメンテーション、セマンティックセグメンテーション、モノクル3D検出、深さ推定が含まれる。 提案するフレームワークはD2BNetと呼ばれ,マルチタスク認識のためのパラメータ効率予測に一意なアプローチを示す。
  論文  参考訳（メタデータ） (2023-06-08T09:24:46Z)
• MetaMorphosis: Task-oriented Privacy Cognizant Feature Generation for Multi-task Learning [6.056197449765416]
  本稿ではMetaMorphosisと呼ばれる,深層学習に基づくプライバシー認識機能生成プロセスを提案する。 本稿では,MetaMorphosisが,プライバシー要件を保証し,近年の敵対的学習や普遍的特徴生成方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-13T01:59:07Z)
• Grouped Adaptive Loss Weighting for Person Search [44.713344415358414]
  個人探索は、特にエンドツーエンドで解決された場合、典型的なマルチタスク学習問題である。 本稿では,各タスクの重みを自動的に動的に調整するグループ適応損失重み付け法を提案する。
  論文  参考訳（メタデータ） (2022-09-23T09:32:54Z)
• Combining Modular Skills in Multitask Learning [149.8001096811708]
  モジュラー設計は、ニューラルネットワークが様々な知識の面をアンタングルして再結合し、新しいタスクにより系統的に一般化することを奨励する。 この研究では、各タスクは(潜在的に小さな)インベントリから潜在的な離散スキルのサブセットと関連付けられていると仮定する。 ネットワークのモジュラー設計により、強化学習におけるサンプル効率が著しく向上し、教師あり学習における数ショットの一般化が図られる。
  論文  参考訳（メタデータ） (2022-02-28T16:07:19Z)
• Exploring Relational Context for Multi-Task Dense Prediction [76.86090370115]
  我々は,共通バックボーンと独立タスク固有のヘッドで表される,密集予測タスクのためのマルチタスク環境を考える。 マルチタスク設定では,グローバルやローカルなど,さまざまな注意に基づくコンテキストを探索する。 タスクペアごとに利用可能なすべてのコンテキストのプールをサンプリングするAdaptive Task-Relational Contextモジュールを提案する。
  論文  参考訳（メタデータ） (2021-04-28T16:45:56Z)
• Low Resource Multi-Task Sequence Tagging -- Revisiting Dynamic Conditional Random Fields [67.51177964010967]
  異なるタスクに対するラベルシーケンス間の依存関係を利用する低リソースマルチタスクシーケンスタグの異なるモデルを比較した。 タスク予測間の相互依存性の明示的モデリングは、通常のマルチタスクモデルと同様にシングルタスクよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-01T07:11:34Z)
• Adversarial Continual Learning [99.56738010842301]
  本稿では,タスク不変およびタスク特化機能に対する不整合表現を学習するハイブリッド連続学習フレームワークを提案する。 本モデルでは,タスク固有のスキルの忘れを防止するためにアーキテクチャの成長と,共有スキルを維持するための経験的リプレイアプローチを組み合わせる。
  論文  参考訳（メタデータ） (2020-03-21T02:08:17Z)

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。