論文の概要: Deep Ensemble Shape Calibration: Multi-Field Post-hoc Calibration in
Online Advertising
- arxiv url: http://arxiv.org/abs/2401.09507v1
- Date: Wed, 17 Jan 2024 11:41:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-19 18:58:05.314819
- Title: Deep Ensemble Shape Calibration: Multi-Field Post-hoc Calibration in
Online Advertising
- Title(参考訳): ディープアンサンブル形状校正:オンライン広告におけるマルチフィールドポストホック校正
- Authors: Shuai Yang, Hao Yang, Zhuang Zou, Linhe Xu, Shuo Yuan, Yifan Zeng
- Abstract要約: 電子商取引のシナリオでは、CTRとCVRの真の確率(キャリブレーション推定として知られる)を推定することが重要である。
従来の研究では、キャリブレーション問題に対処するためのソリューションが数多く導入されている。
本稿では,関数表現機能とデータ利用機能の両方を強化する革新的な基底キャリブレーション機能を提案する。
- 参考スコア(独自算出の注目度): 8.945197427679924
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the e-commerce advertising scenario, estimating the true probabilities
(known as a calibrated estimate) on CTR and CVR is critical and can directly
affect the benefits of the buyer, seller and platform. Previous research has
introduced numerous solutions for addressing the calibration problem. These
methods typically involve the training of calibrators using a validation set
and subsequently applying these calibrators to correct the original estimated
values during online inference. However, what sets e-commerce advertising
scenarios is the challenge of multi-field calibration. Multi-field calibration
can be subdivided into two distinct sub-problems: value calibration and shape
calibration. Value calibration is defined as no over- or under-estimation for
each value under concerned fields. Shape calibration is defined as no over- or
under-estimation for each subset of the pCTR within the specified range under
condition of concerned fields. In order to achieve shape calibration and value
calibration, it is necessary to have a strong data utilization ability.Because
the quantity of pCTR specified range for single field-value sample is relative
small, which makes the calibrator more difficult to train. However the existing
methods cannot simultaneously fulfill both value calibration and shape
calibration. To solve these problems, we propose a new method named Deep
Ensemble Shape Calibration (DESC). We introduce innovative basis calibration
functions, which enhance both function expression capabilities and data
utilization by combining these basis calibration functions. A significant
advancement lies in the development of an allocator capable of allocating the
most suitable shape calibrators to different estimation error distributions
within diverse fields and values.
- Abstract(参考訳): 電子商取引のシナリオでは、CTRとCVRの真の確率(キャリブレーションされた見積)を推定することが重要であり、買い手、売り手、プラットフォームの利益に直接影響を与える可能性がある。
従来の研究では、校正問題に対処する多くの解決策が紹介されている。
これらの方法は通常、検証セットを使用してカリブレータのトレーニングを伴い、オンライン推論中の元の推定値を補正するためにこれらのカリブレータを適用する。
しかし、eコマース広告のシナリオを決めるのは、マルチフィールドキャリブレーションの課題である。
マルチフィールドキャリブレーションは、値キャリブレーションと形状キャリブレーションの2つの異なるサブプロブレムに分けられる。
値のキャリブレーションは、関連するフィールド下の各値に対する過大評価や過小評価とは定義されていない。
形状キャリブレーションは、pCTRの各サブセットについて、関係するフィールドの条件下での特定範囲における過小評価または過小評価として定義される。
形状校正と値校正を実現するためには,単フィールド値サンプルのpctr指定範囲が相対的に少ないため,校正器の訓練が困難となるため,強力なデータ活用能力が必要である。
しかし,既存手法では値校正と形状校正を同時に行うことはできない。
これらの問題を解決するために,Deep Ensemble Shape Calibration (DESC) と呼ばれる新しい手法を提案する。
本稿では,これらの基本キャリブレーション関数を組み合わせることで,関数表現機能とデータ利用性を両立させる革新的な基底キャリブレーション関数を提案する。
重要な進歩は、最も適切な形状の校正器を様々なフィールドと値内の異なる推定誤差分布に割り当てることができるアロケータの開発にある。
関連論文リスト
- Calibration by Distribution Matching: Trainable Kernel Calibration
Metrics [56.629245030893685]
カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。
これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。
決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
論文 参考訳(メタデータ) (2023-10-31T06:19:40Z) - Calibration of Neural Networks [77.34726150561087]
本稿では,ニューラルネットワークの文脈における信頼性校正問題について調査する。
我々は,問題文,キャリブレーション定義,評価に対する異なるアプローチについて分析する。
実験実験では、様々なデータセットとモデルをカバーし、異なる基準に従って校正方法を比較する。
論文 参考訳(メタデータ) (2023-03-19T20:27:51Z) - Adaptive Calibrator Ensemble for Model Calibration under Distribution
Shift [23.794897699193875]
アダプティブ・キャリブレータ・アンサンブル(ACE)は、通常はキャリブレーション・セットよりも難しいOODデータセットをキャリブレーション・セットに分類する。
ACEは一般に、一連のOODベンチマークにおけるいくつかの最先端のキャリブレーション方式の性能を改善している。
論文 参考訳(メタデータ) (2023-03-09T15:22:02Z) - On the Usefulness of the Fit-on-the-Test View on Evaluating Calibration
of Classifiers [2.026784722785915]
テストセット上のキャリブレーション誤差 (ECE) によるキャリブレーションの評価は, 明確に適合しないことを示す。
これは、評価に適合するビューを動機付けます。
(3)真のキャリブレーションマップを正確に推定できる擬似実データに対するベンチマーク,(4)新しいキャリブレーションマップファミリーPLとPL3を用いた新しいキャリブレーションと評価手法を提案する。
論文 参考訳(メタデータ) (2022-03-16T21:40:19Z) - Hidden Heterogeneity: When to Choose Similarity-Based Calibration [12.788224825185633]
ブラックボックスキャリブレーション法は、キャリブレーションが予測精度を向上させるサブポレーションを検出することができない。
隠れ不均一性(HH)の定量的尺度を提案する。
実験により, 類似度に基づくキャリブレーション法によって達成されたキャリブレーションの改善は, 現在あるHH量と相関し, 十分なキャリブレーションデータを得た場合, 大域的なキャリブレーション法で達成したキャリブレーションを概ね上回っていることがわかった。
論文 参考訳(メタデータ) (2022-02-03T20:43:25Z) - Localized Calibration: Metrics and Recalibration [133.07044916594361]
完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。
次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
論文 参考訳(メタデータ) (2021-02-22T07:22:12Z) - Unsupervised Calibration under Covariate Shift [92.02278658443166]
ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。
実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
論文 参考訳(メタデータ) (2020-06-29T21:50:07Z) - Multi-Class Uncertainty Calibration via Mutual Information
Maximization-based Binning [8.780958735684958]
ポストホック多クラスキャリブレーションは、ディープニューラルネットワーク予測の信頼度推定を提供する一般的なアプローチである。
近年の研究では、広く使われているスケーリング手法がキャリブレーション誤差を過小評価していることが示されている。
類似クラス間で1つのキャリブレータを共有する共有クラスワイド(sCW)キャリブレーション戦略を提案する。
論文 参考訳(メタデータ) (2020-06-23T15:31:59Z) - Calibration of Neural Networks using Splines [51.42640515410253]
キャリブレーション誤差の測定は、2つの経験的分布を比較します。
古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。
提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
論文 参考訳(メタデータ) (2020-06-23T07:18:05Z) - Calibration of Pre-trained Transformers [55.57083429195445]
本研究ではBERTとRoBERTaに着目し,自然言語推論,パラフレーズ検出,コモンセンス推論という3つのタスクのキャリブレーションを分析した。
その結果,(1) 事前学習モデルを用いてドメイン内キャリブレーションを行う場合, ベースラインと比較して, ドメイン外キャリブレーション誤差が3.5倍も低いこと,(2) ドメイン内キャリブレーション誤差をさらに低減するために温度スケーリングが有効であること,および, ラベルスムーシングを用いて実証的不確実性を意図的に増大させることにより, ドメイン内キャリブレーション後部キャリブレーションを支援すること,などが示されている。
論文 参考訳(メタデータ) (2020-03-17T18:58:44Z)
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。