論文の概要: Combining Open-box Simulation and Importance Sampling for Tuning Large-Scale Recommenders

• arxiv url: http://arxiv.org/abs/2410.03697v1
• Date: Mon, 23 Sep 2024 20:35:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 20:38:12.994741
• Title: Combining Open-box Simulation and Importance Sampling for Tuning Large-Scale Recommenders
• Title（参考訳）: 大規模レコメンダチューニングのためのオープンボックスシミュレーションと重要サンプリングの組み合わせ
• Authors: Kaushal Paneri, Michael Munje, Kailash Singh Maurya, Adith Swaminathan, Yifan Shi,
• Abstract要約: 我々は、キーパフォーマンス指標(KPI)に影響を与える複数の連続パラメータを持つ大規模広告プラットフォームをチューニングすることの課題に対処する。 オープンボックスのモンテカルロシミュレータのような従来の手法は正確ではあるが、多数のパラメータ設定を評価するコストが高いため、計算コストが高い。 オープンボックスシミュレーションと重要サンプリングを組み合わせたSGIS(Simulator-Guided Smpling)のハイブリッド手法を提案する。
• 参考スコア（独自算出の注目度）: 5.4579107313203545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Growing scale of recommender systems require extensive tuning to respond to market dynamics and system changes. We address the challenge of tuning a large-scale ads recommendation platform with multiple continuous parameters influencing key performance indicators (KPIs). Traditional methods like open-box Monte Carlo simulators, while accurate, are computationally expensive due to the high cost of evaluating numerous parameter settings. To mitigate this, we propose a hybrid approach Simulator-Guided Importance Sampling (SGIS) that combines open-box simulation with importance sampling (IS). SGIS leverages the strengths of both techniques: it performs a coarse enumeration over the parameter space to identify promising initial settings and then uses IS to iteratively refine these settings. This approach significantly reduces computational costs while maintaining high accuracy in KPI estimation. We demonstrate the effectiveness of SGIS through simulations as well as real-world experiments, showing that it achieves substantial improvements in KPIs with lower computational overhead compared to traditional methods.
• Abstract（参考訳）: 推奨システムの規模が大きくなるには、市場ダイナミクスやシステム変更に対応するため、広範囲なチューニングが必要になります。 我々は、キーパフォーマンス指標(KPI)に影響を与える複数の連続パラメータを持つ大規模広告推薦プラットフォームをチューニングすることの課題に対処する。 オープンボックスのモンテカルロシミュレータのような従来の手法は正確ではあるが、多数のパラメータ設定を評価するコストが高いため、計算コストが高い。 これを軽減するために,オープンボックスシミュレーションと重要サンプリング(IS)を組み合わせたSGIS(Simulator-Guided Importance Smpling)のハイブリッドアプローチを提案する。 SGISは両方の技法の長所を生かし、パラメータ空間上で粗い列挙を行い、期待できる初期設定を識別し、ISを使用してこれらの設定を反復的に洗練する。 このアプローチは、KPI推定において高い精度を維持しながら、計算コストを大幅に削減する。 シミュレーションや実世界の実験によるSGISの有効性を実証し,従来の手法に比べて計算オーバーヘッドの少ないKPIの大幅な改善を実現していることを示す。

関連論文リスト

• Deep Optimal Sensor Placement for Black Box Stochastic Simulations [1.638332186726632]
  本稿では, 入力パラメータに対する結合分布と, 結合エネルギーモデルを用いた解を提案する。 提案手法は,従来の手法に比べて計算コストの低い高精度なセンサ位置を提供することを示す。
  論文  参考訳（メタデータ） (2024-10-15T20:10:25Z)
• SimBa: Simplicity Bias for Scaling Up Parameters in Deep Reinforcement Learning [49.83621156017321]
  SimBaは、単純さのバイアスを注入することによって、深いRLでパラメータをスケールアップするように設計されたアーキテクチャである。 SimBaでパラメータをスケールアップすることで、オフポリシー、オンポリシー、アン教師なしメソッドを含む様々なディープRLアルゴリズムのサンプル効率が一貫して改善される。
  論文  参考訳（メタデータ） (2024-10-13T07:20:53Z)
• Adaptive Mixture Importance Sampling for Automated Ads Auction Tuning [5.775059611731882]
  本稿では,大規模レコメンデータシステムにおいて鍵性能指標(KPI)を最適化するための新しいアプローチとして,アダプティブミックスコンパタンスサンプリング(AMIS)を提案する。 大規模なオフラインシミュレーションにより、AMISはノイズの多い環境で単純なガウスの重要度サンプリング(GIS)を著しく上回ることを示す。 提案手法は,大規模検索エンジン上でのオンラインA/B実験を通じて実世界のシナリオで検証される。
  論文  参考訳（メタデータ） (2024-09-20T17:03:43Z)
• Bayesian Adaptive Calibration and Optimal Design [16.821341360894706]
  現在の機械学習アプローチは、主に観測データで利用可能な固定された設計セットに対する再実行シミュレーションに依存している。 本稿では,バッチシーケンスプロセス内で最大情報化シミュレーションを実行するためのデータ効率アルゴリズムを提案する。 合成問題と実データ問題にまたがる関連手法と比較して,本手法の利点を示す。
  論文  参考訳（メタデータ） (2024-05-23T11:14:35Z)
• Multi-fidelity Constrained Optimization for Stochastic Black Box Simulators [1.6385815610837167]
  上記の問題に対処するために、Scout-Nd (Stochastic Constrained Optimization for N dimensions) アルゴリズムを導入する。 Scout-Ndは効率よく勾配を推定し、推定器勾配のノイズを低減し、計算労力をさらに削減するために多重忠実性スキームを適用する。 提案手法を標準ベンチマークで検証し,既存の手法よりも優れた性能を示すパラメータの最適化の有効性を示す。
  論文  参考訳（メタデータ） (2023-11-25T23:36:38Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
  Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。 本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。 我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
  論文  参考訳（メタデータ） (2022-09-27T07:58:25Z)
• Self-Tuning Stochastic Optimization with Curvature-Aware Gradient Filtering [53.523517926927894]
  サンプルごとのHessian-vector積と勾配を用いて、自己チューニングの二次構造を構築する。 モデルに基づく手続きが雑音勾配設定に収束することを証明する。 これは自己チューニング二次体を構築するための興味深いステップである。
  論文  参考訳（メタデータ） (2020-11-09T22:07:30Z)
• Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
  視覚SLAMシステムのための新しい最適化バックボーンを提案する。 従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。 我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
  論文  参考訳（メタデータ） (2020-11-02T18:02:26Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)
• Online Parameter Estimation for Safety-Critical Systems with Gaussian Processes [6.122161391301866]
  オンラインパラメータ推定のためのガウス過程(GP)に基づくベイズ最適化フレームワークを提案する。 パラメータ空間の応答面上の効率的な探索戦略を用いて、最小限の機能評価で大域最適解を求める。 我々は,パラメータの変化を考慮したシミュレーションにおいて,アクティベートされた平面振子と安全臨界振子について実演する。
  論文  参考訳（メタデータ） (2020-02-18T20:38:00Z)

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。