Fugu-MT 論文翻訳(概要): RecSys Challenge 2023: From data preparation to prediction, a simple, efficient, robust and scalable solution

論文の概要: RecSys Challenge 2023: From data preparation to prediction, a simple, efficient, robust and scalable solution

arxiv url: http://arxiv.org/abs/2401.06830v1
Date: Fri, 12 Jan 2024 10:14:10 GMT
ステータス: 処理完了
システム内更新日: 2024-01-17 21:07:01.029058
Title: RecSys Challenge 2023: From data preparation to prediction, a simple, efficient, robust and scalable solution
Title（参考訳）: RecSys Challenge 2023: データ準備から予測へ、シンプルで効率的で堅牢でスケーラブルなソリューション
Authors: Maxime Manderlier and Fabian Lecron
Abstract要約: ShareChatが発表したRecSys Challenge 2023は、ユーザーがShareChat & Mojアプリの広告インプレッションを見た後、スマートフォンにアプリをインストールするかどうかを予測するためのものだ。本稿では,この課題に対する'Team UMONS' のソリューションを提案し,異なる運用構成で容易に実装可能な比較的小さなモデルで正確な結果を与える。
参考スコア（独自算出の注目度）: 2.0564549686015594
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The RecSys Challenge 2023, presented by ShareChat, consists to predict if an user will install an application on his smartphone after having seen advertising impressions in ShareChat & Moj apps. This paper presents the solution of 'Team UMONS' to this challenge, giving accurate results (our best score is 6.622686) with a relatively small model that can be easily implemented in different production configurations. Our solution scales well when increasing the dataset size and can be used with datasets containing missing values.
Abstract（参考訳）: ShareChatが発表したRecSys Challenge 2023は、ユーザーがShareChat & Mojアプリの広告インプレッションを見た後、スマートフォンにアプリをインストールするかどうかを予測するためのものだ。本稿では,この課題に対する「チームUMONS」のソリューションを提案し,より正確な結果(ベストスコアは6.622686)を,異なる運用構成で容易に実装可能な比較的小さなモデルで提示する。我々のソリューションはデータセットのサイズを拡大するときにうまくスケールし、欠落した値を含むデータセットで使用できる。

関連論文リスト

First Place Solution to the ECCV 2024 BRAVO Challenge: Evaluating Robustness of Vision Foundation Models for Semantic Segmentation [1.8570591025615457]
我々はECCV 2024 BRAVO Challengeの第1位となるソリューションを提示する。モデルはCityscapesでトレーニングされ、その堅牢性はいくつかのアウト・オブ・ディストリビューションデータセットで評価される。このアプローチは、より複雑な既存のアプローチよりも優れており、チャレンジにおいて第一位を達成しています。
論文参考訳（メタデータ） (2024-09-25T16:15:06Z)
AIM 2024 Challenge on Video Saliency Prediction: Methods and Results [105.09572982350532]
本稿では,AIM 2024におけるビデオ・サリエンシ予測の課題について概説する。参加者の目標は、提供されたビデオシーケンスのセットに対して正確な精度マップを予測する方法を開発することであった。
論文参考訳（メタデータ） (2024-09-23T08:59:22Z)
Symmetric Multi-Similarity Loss for EPIC-KITCHENS-100 Multi-Instance Retrieval Challenge 2024 [17.622013322533423]
CVPR 2024におけるEPIC-KITCHENS-100 Multi-Instance Retrieval Challengeのチャンピオンソリューションを提案する。この課題は、相関行列を提供することによって、従来のビジュアルテキスト検索タスクとは異なる。我々は,より正確な学習目標を提供する新しい損失関数,Symmetric Multi-Similarity Lossを提案する。
論文参考訳（メタデータ） (2024-06-18T04:10:20Z)
NTIRE 2024 Challenge on Image Super-Resolution ($\times$4): Methods and Results [126.78130602974319]
画像の超高解像度化に関するNTIRE 2024の課題(4ドル)をレビューする。この課題は、低解像度(LR)入力から4倍の倍率で対応する高解像度(HR)画像を生成することである。この挑戦の目的は、最も先進的なSR性能を持つ設計/解決を得ることである。
論文参考訳（メタデータ） (2024-04-15T13:45:48Z)
Lightweight Boosting Models for User Response Prediction Using Adversarial Validation [2.4040470282119983]
ShareChatが主催するACM RecSys Challenge 2023は、アプリがインストールされる確率を予測することを目的としている。本稿では,この課題に対する軽量な解決策について述べる。
論文参考訳（メタデータ） (2023-10-05T13:57:05Z)
MAPLE: Mobile App Prediction Leveraging Large Language Model Embeddings [9.03541182474246]
本研究では,大規模言語モデル埋め込み(MAPLE)を活用したモバイルアプリケーション予測モデルを提案する。 MAPLEは、LLM(Large Language Models)を採用し、これらの課題を克服するためにアプリの類似性をインストールしている。 2つの実世界のデータセットのテストでは、MAPLEは標準およびコールドスタートシナリオの両方で、現代のモデルを上回っている。
論文参考訳（メタデータ） (2023-09-15T13:15:54Z)
NICE: CVPR 2023 Challenge on Zero-shot Image Captioning [149.28330263581012]
NICEプロジェクトは、堅牢な画像キャプションモデルを開発するためにコンピュータビジョンコミュニティに挑戦するために設計されている。レポートには、新たに提案されたNICEデータセット、評価方法、課題結果、トップレベルのエントリの技術的な詳細などが含まれている。
論文参考訳（メタデータ） (2023-09-05T05:32:19Z)
GLEN: General-Purpose Event Detection for Thousands of Types [80.99866527772512]
汎用的なイベント検出データセットGLENを構築し、205Kイベントの参照を3,465種類の異なるタイプでカバーしています。 GLENはオントロジーにおいて、今日の最大のイベントデータセットよりも20倍大きい。また,GLENの大規模化に特化して設計された多段階イベント検出モデルCEDARを提案する。
論文参考訳（メタデータ） (2023-03-16T05:36:38Z)
Automatically Assessing Students Performance with Smartphone Data [0.7069200904392647]
スマートフォンアプリケーション(ISABELA)を用いて収集したデータセットについて述べる。学生のパフォーマンスを分類するために,異なる機械学習モデルを用いていくつかのテストを行う。生成したモデルでは,異なる文脈から収集したデータであっても,学生のパフォーマンスを予測できることが示されている。
論文参考訳（メタデータ） (2022-07-06T10:05:23Z)
Domain-matched Pre-training Tasks for Dense Retrieval [68.07140087626637]
モデルサイズがますます大きくなる大規模データセットでの事前トレーニングは、ほぼすべてのNLPタスクのパフォーマンス向上のための実証済みのレシピである。適切な事前トレーニング設定で、この障壁を克服できることが示されています。 1)最近リリースされた6500万の合成された質問セットと、既存のReddit会話のデータセットから2億のポストコメンデーションペアをトレーニングすることで、これを実証する。
論文参考訳（メタデータ） (2021-07-28T19:13:00Z)
GraspNet: A Large-Scale Clustered and Densely Annotated Dataset for Object Grasping [49.777649953381676]
我々は,統合評価システムを用いた大規模グリップポーズ検出データセットに貢献する。データセットには87,040枚のRGBD画像と3億7000万枚以上のグリップポーズが含まれている。
論文参考訳（メタデータ） (2019-12-31T18:15:11Z)

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。