Fugu-MT 論文翻訳(概要): AdaptEx: A Self-Service Contextual Bandit Platform

論文の概要: AdaptEx: A Self-Service Contextual Bandit Platform

arxiv url: http://arxiv.org/abs/2308.08650v1
Date: Tue, 8 Aug 2023 16:32:23 GMT
ステータス: 処理完了
システム内更新日: 2023-08-27 05:16:13.717640
Title: AdaptEx: A Self-Service Contextual Bandit Platform
Title（参考訳）: AdaptEx: セルフサービスのコンテキストバンドプラットフォーム
Authors: William Black, Ercument Ilhan, Andrea Marchini and Vilda Markeviciute
Abstract要約: AdaptExは、Expedia Groupで広く使われているセルフサービスコンテキストのバンディットプラットフォームである。マルチアームのバンディットアルゴリズムを使って、大規模なユーザー体験をパーソナライズする。従来のテストメソッドに関連するコストと時間を最小化しながら、ユーザエクスペリエンスを改善するための強力なソリューションを提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This paper presents AdaptEx, a self-service contextual bandit platform widely used at Expedia Group, that leverages multi-armed bandit algorithms to personalize user experiences at scale. AdaptEx considers the unique context of each visitor to select the optimal variants and learns quickly from every interaction they make. It offers a powerful solution to improve user experiences while minimizing the costs and time associated with traditional testing methods. The platform unlocks the ability to iterate towards optimal product solutions quickly, even in ever-changing content and continuous "cold start" situations gracefully.
Abstract（参考訳）: 本稿では,Expedia Groupで広く利用されているセルフサービスコンテキスト型バンディットプラットフォームであるAdaptExについて述べる。 AdaptExは、各訪問者のユニークなコンテキストを考慮し、最適なバリエーションを選択し、それらが行うすべてのインタラクションから素早く学習する。従来のテストメソッドに関連するコストと時間を最小化しながら、ユーザエクスペリエンスを改善する強力なソリューションを提供する。このプラットフォームは、常に変化するコンテンツや継続的な"コールドスタート"状況でも、最適な製品ソリューションへのイテレーションを迅速に行うことができる。

関連論文リスト

Active Preference-based Learning for Multi-dimensional Personalization [7.349038301460469]
大規模言語モデル(LLM)はタスク間で顕著な汎用性を示しているが、個々の人間の好みに合わせることは依然として困難である。複数の目的にまたがるユーザの嗜好を推定するためにバイナリフィードバックを用いた能動的嗜好学習フレームワークを提案する。モデル応答をパーソナライズする上で,言語生成タスクに関する理論的解析と実験を行い,そのフィードバック効率と有効性を示す。
論文参考訳（メタデータ） (2024-11-01T11:49:33Z)
Async Learned User Embeddings for Ads Delivery Optimization [24.104745716074262]
推薦システムでは、高品質なユーザ埋め込みは微妙な好みを捉え、正確な類似性計算を可能にし、時間とともに変化する好みに適応して関連性を維持することができる。本稿では,Transformerのような大規模機能学習モジュールを用いて,シーケンスベースのマルチモーダルユーザアクティビティから,毎日数十億のユーザに対する高忠実度ユーザ埋め込みを非同期に学習することを提案する。
論文参考訳（メタデータ） (2024-06-09T19:35:20Z)
Towards Global Optimal Visual In-Context Learning Prompt Selection [50.174301123013045]
そこで本研究では,グローバルな最適プロンプトを特定するための,コンテキスト内サンプル選択フレームワークを提案する。 Partial2Globalと呼ばれるこの手法では、より包括的な比較を行うために、トランスフォーマーベースのリストワイズローダを採用している。 partial2Globalの有効性は、前景のセグメンテーション、単一物体の検出、画像の着色に関する実験を通じて検証される。
論文参考訳（メタデータ） (2024-05-24T07:07:24Z)
Emulating Full Client Participation: A Long-Term Client Selection Strategy for Federated Learning [48.94952630292219]
本稿では,クライアントの完全参加によって達成されるパフォーマンスをエミュレートする新しいクライアント選択戦略を提案する。 1ラウンドで、クライアントサブセットとフルクライアントセット間の勾配空間推定誤差を最小化し、クライアントを選択する。複数ラウンド選択において、類似したデータ分布を持つクライアントが選択される頻度に類似することを保証する、新しい個性制約を導入する。
論文参考訳（メタデータ） (2024-05-22T12:27:24Z)
How to Diversify any Personalized Recommender? A User-centric Pre-processing approach [0.0]
推薦性能を維持しつつ,Top-Nレコメンデーションの多様性を向上させるための新しいアプローチを提案する。当社のアプローチでは,ユーザを幅広いコンテンツカテゴリやトピックに公開するための,ユーザ中心の事前処理戦略を採用しています。
論文参考訳（メタデータ） (2024-05-03T15:02:55Z)
Learning from Offline and Online Experiences: A Hybrid Adaptive Operator Selection Framework [2.148882675821217]
本稿では,オフライン体験とオンライン体験を効果的に組み合わせることに焦点を当てる。探索演算子を動的かつ適応的に選択する新しいハイブリッドフレームワークを提案する。
論文参考訳（メタデータ） (2024-04-16T03:08:02Z)
Towards Unified Multi-Modal Personalization: Large Vision-Language Models for Generative Recommendation and Beyond [87.1712108247199]
我々の目標は、マルチモーダルパーソナライゼーションシステム(UniMP)のための統一パラダイムを確立することである。我々は、幅広いパーソナライズされたニーズに対処できる汎用的でパーソナライズされた生成フレームワークを開発する。我々の手法は、パーソナライズされたタスクのための基礎言語モデルの能力を高める。
論文参考訳（メタデータ） (2024-03-15T20:21:31Z)
Partial Bandit and Semi-Bandit: Making the Most Out of Scarce Users' Feedback [62.997667081978825]
本稿では,ユーザのフィードバックを考慮し,3つの戦略を用いて評価する手法を提案する。ユーザからのフィードバックが制限されているにも関わらず(全体の20%以下)、我々の手法は最先端のアプローチと同じような結果が得られる。
論文参考訳（メタデータ） (2020-09-16T07:32:51Z)
Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
論文参考訳（メタデータ） (2020-05-23T08:56:37Z)
Empowering Active Learning to Jointly Optimize System and User Demands [70.66168547821019]
我々は,アクティブラーニングシステムとユーザを協調的に(効率的に学習)するための,新しいアクティブラーニング手法を提案する。本手法は,特定のユーザに対して,エクササイズの適切性を予測するために,学習を迅速かつ迅速に行う必要があるため,特に,この手法のメリットを生かした教育アプリケーションで研究する。複数の学習戦略とユーザタイプを実際のユーザからのデータで評価し,代替手法がエンドユーザに適さない多くのエクササイズをもたらす場合,共同アプローチが両方の目標を満足できることを確認した。
論文参考訳（メタデータ） (2020-05-09T16:02:52Z)
Machine Translation System Selection from Bandit Feedback [16.628621430608977]
実世界における機械翻訳システムへの適応は難しい問題である。異なるアーキテクチャ、データセット、最適化手法を用いて、多くの翻訳システムを訓練する。提案手法は,(1)翻訳タスクにおけるドメイン変更に迅速に対応できること,(2)混合ドメイン翻訳タスクにおいて単一最良システムより優れていること,(3)インスタンス固有決定を効果的に行うこと,などを示す。
論文参考訳（メタデータ） (2020-02-22T06:54:04Z)

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。