論文の概要: Truthful Aggregation of LLMs with an Application to Online Advertising

• arxiv url: http://arxiv.org/abs/2405.05905v4
• Date: Tue, 08 Oct 2024 14:23:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-10 14:27:11.124597
• Title: Truthful Aggregation of LLMs with an Application to Online Advertising
• Title（参考訳）: LLMの真正集約とオンライン広告への応用
• Authors: Ermis Soumalias, Michael J. Curry, Sven Seuken,
• Abstract要約: 広告主にとって真の報告が支配的な戦略であることを確実にするオークション機構であるMOSAICを導入する。 我々はMOSAICが計算オーバーヘッドの少ない広告価値とプラットフォーム収益をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 11.552000005640203
• License:
• Abstract: The next frontier of online advertising is revenue generation from LLM-generated content. We consider a setting where advertisers aim to influence the responses of an LLM to align with their interests, while platforms seek to maximize advertiser value and ensure user satisfaction. The challenge is that advertisers' preferences generally conflict with those of the user, and advertisers may misreport their preferences. To address this, we introduce MOSAIC, an auction mechanism that ensures that truthful reporting is a dominant strategy for advertisers and that aligns the utility of each advertiser with their contribution to social welfare. Importantly, the mechanism operates without LLM fine-tuning or access to model weights and provably converges to the output of the optimally fine-tuned LLM as computational resources increase. Additionally, it can incorporate contextual information about advertisers, which significantly improves social welfare. Through experiments with a publicly available LLM, we show that MOSAIC leads to high advertiser value and platform revenue with low computational overhead. While our motivating application is online advertising, our mechanism can be applied in any setting with monetary transfers, making it a general-purpose solution for truthfully aggregating the preferences of self-interested agents over LLM-generated replies.
• Abstract（参考訳）: オンライン広告の次のフロンティアは、LLM生成コンテンツから収益を生み出すことだ。 プラットフォームは広告主の価値を最大化し、ユーザの満足度を確保することを目的としている。 課題は、広告主の好みが一般的にユーザーの好みと矛盾し、広告主が自分の好みを誤報告する可能性があることである。 そこで本研究では,広告主にとって真正な報告が主要な戦略であることを保証するオークション機構であるMOSAICを導入し,広告主の社会福祉への貢献を両立させる。 重要なことに、このメカニズムはLLMの微調整やモデルウェイトへのアクセスなしに動作し、計算資源の増加とともに最適に微調整されたLLMの出力に確実に収束する。 さらに、広告主に関する文脈情報を組み込むことで、社会福祉を大幅に改善することができる。 公開されている LLM を用いて実験した結果,MOSAIC は高い広告主価値と,計算オーバーヘッドの少ないプラットフォーム収益をもたらすことがわかった。 当社のモチベーションアプリケーションはオンライン広告である一方、当社の仕組みは金銭的移転を伴うあらゆる場面で適用可能であり、LCM生成された返信よりも利己的なエージェントの選好を真に集約するための汎用的なソリューションである。

関連論文リスト

• WALL-E: World Alignment by Rule Learning Improves World Model-based LLM Agents [55.64361927346957]
  大規模言語モデル(LLM)による規則の勾配なし学習のためのニューロシンボリックアプローチを提案する。 我々のLLMエージェントWALL-Eはモデル予測制御(MPC)上に構築されている MinecraftとALFWorldにおけるオープンワールドの課題について、WALL-Eは既存の方法よりも高い成功率を達成する。
  論文  参考訳（メタデータ） (2024-10-09T23:37:36Z)
• Ad Auctions for LLMs via Retrieval Augmented Generation [12.9128551468564]
  本稿では,大規模言語モデル(LLM)のテキスト出力における広告アロケーションと価格設定のための新しいオークション機構を提案する。 RAGフレームワークに従って,各談話セグメントに対して広告を確率的に検索するセグメントオークションを提案する。 我々は,配分効率と公平性のバランスをとる福祉の新しい概念である対数社会福祉を最大化することを示し,関連するインセンティブに適合する価格設定を特徴付ける。
  論文  参考訳（メタデータ） (2024-06-12T22:05:51Z)
• Scaling Up LLM Reviews for Google Ads Content Moderation [22.43127685744644]
  大規模言語モデル(LLM)は、コンテンツモデレーションのための強力なツールであるが、その推論コストとレイテンシは、大規模なデータセットでカジュアルな使用を禁止している。 本研究では,Google Ads におけるコンテンツに対する LLM レビューのスケールアップ手法を提案する。
  論文  参考訳（メタデータ） (2024-02-07T23:47:02Z)
• Making Large Language Models Better Knowledge Miners for Online Marketing with Progressive Prompting Augmentation [34.37733369078883]
  マーケティング指向の知識グラフをLLMで抽出するためのプログレッシブプロンプトであるPAIRを提案する。 特に,LLMをベースとした適応的関係フィルタリングプロセスにおける純粋関係生成を知識駆動型プロンプト技術により削減する。 オンラインサービスに関しては,中小のPAIR(LightPAIR)を専門とし,強力な教師LLMによって提供される高品質のコーパスを微調整する。
  論文  参考訳（メタデータ） (2023-12-08T03:44:09Z)
• The Adoption and Efficacy of Large Language Models: Evidence From Consumer Complaints in the Financial Industry [2.300664273021602]
  本研究は、2015年から2024年までの消費者金融保護局に提出された消費者苦情に対するLarge Language Models(LLMs)の効果について検討する。 われわれは100万件以上の苦情を分析し,ChatGPTリリース後のLCM使用量の著しい増加を確認した。 以上の結果から,LCMへのアクセスを促進することで,消費者の関心事の理解を深め,消費者の競争力を高めることができる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-11-28T04:07:34Z)
• Online Advertisements with LLMs: Opportunities and Challenges [51.96140910798771]
  本稿では,オンライン広告システムにおけるLarge Language Models(LLM)の活用の可能性について検討する。 提案手法は,LLM広告の修正,入札,予測,オークションモジュールから構成される。
  論文  参考訳（メタデータ） (2023-11-11T02:13:32Z)
• Harnessing the Power of LLMs: Evaluating Human-AI Text Co-Creation through the Lens of News Headline Generation [58.31430028519306]
  本研究は, LLMを書き込みに最も有効に活用する方法と, これらのモデルとのインタラクションが, 書き込みプロセスにおけるオーナシップや信頼感にどのように影響するかを考察する。 LLMだけで十分なニュースの見出しを生成することができるが、平均すると、望ましくないモデルのアウトプットを修正するには人間による制御が必要である。
  論文  参考訳（メタデータ） (2023-10-16T15:11:01Z)
• Survey on Factuality in Large Language Models: Knowledge, Retrieval and Domain-Specificity [61.54815512469125]
  本調査は,大規模言語モデル(LLM)における事実性の重要課題に対処する。 LLMが様々な領域にまたがる応用を見出すにつれ、その出力の信頼性と正確性は重要となる。
  論文  参考訳（メタデータ） (2023-10-11T14:18:03Z)
• A Cooperative-Competitive Multi-Agent Framework for Auto-bidding in Online Advertising [53.636153252400945]
  本稿では,自動入札のための総合的マルチエージェント強化学習フレームワーク,すなわちMAABを提案し,自動入札戦略を学習する。 当社のアプローチは、社会的福祉の観点から、いくつかの基準的手法を上回り、広告プラットフォームの収益を保証します。
  論文  参考訳（メタデータ） (2021-06-11T08:07:14Z)
• Modeling Influencer Marketing Campaigns In Social Networks [2.0303656145222857]
  世界の38億人以上がソーシャルメディアを積極的に利用している。 本研究では、インフルエンサー広告キャンペーンのダイナミクスをシミュレートできるエージェントベースモデル(ABM)を提案する。
  論文  参考訳（メタデータ） (2021-06-03T11:01:06Z)
• Dynamic Knapsack Optimization Towards Efficient Multi-Channel Sequential Advertising [52.3825928886714]
  我々は、動的knapsack問題として、シーケンシャルな広告戦略最適化を定式化する。 理論的に保証された二段階最適化フレームワークを提案し、元の最適化空間の解空間を大幅に削減する。 強化学習の探索効率を向上させるため,効果的な行動空間削減手法も考案した。
  論文  参考訳（メタデータ） (2020-06-29T18:50:35Z)

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。