論文の概要: Proactive Detection and Calibration of Seasonal Advertisements with Multimodal Large Language Models

• arxiv url: http://arxiv.org/abs/2411.00780v1
• Date: Wed, 16 Oct 2024 18:14:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 13:03:10.127429
• Title: Proactive Detection and Calibration of Seasonal Advertisements with Multimodal Large Language Models
• Title（参考訳）: 多モーダル大言語モデルを用いた季節音の能動的検出と校正
• Authors: Hamid Eghbalzadeh, Shuai Shao, Saurabh Verma, Venugopal Mani, Hongnan Wang, Jigar Madia, Vitali Karpinchyk, Andrey Malevich,
• Abstract要約: 広告ランキングと推薦コミュニティにとって関心のある研究課題を提示する。 本論文は, 大規模産業広告ランキングシステムによって検証され, 動機付けられた, 様々な角度から詳細なガイドラインを提供する。 我々はこの調査で得た決定的な解決策として、季節性を検出するために、マルチモーダルLLMを利用した。
• 参考スコア（独自算出の注目度）: 5.425511887990726
• License:
• Abstract: A myriad of factors affect large scale ads delivery systems and influence both user experience and revenue. One such factor is proactive detection and calibration of seasonal advertisements to help with increasing conversion and user satisfaction. In this paper, we present Proactive Detection and Calibration of Seasonal Advertisements (PDCaSA), a research problem that is of interest for the ads ranking and recommendation community, both in the industrial setting as well as in research. Our paper provides detailed guidelines from various angles of this problem tested in, and motivated by a large-scale industrial ads ranking system. We share our findings including the clear statement of the problem and its motivation rooted in real-world systems, evaluation metrics, and sheds lights to the existing challenges, lessons learned, and best practices of data annotation and machine learning modeling to tackle this problem. Lastly, we present a conclusive solution we took during this research exploration: to detect seasonality, we leveraged Multimodal LLMs (MLMs) which on our in-house benchmark achieved 0.97 top F1 score. Based on our findings, we envision MLMs as a teacher for knowledge distillation, a machine labeler, and a part of the ensembled and tiered seasonality detection system, which can empower ads ranking systems with enriched seasonal information.
• Abstract（参考訳）: 多数の要因が大規模な広告配信システムに影響を与え、ユーザー体験と収益の両方に影響を及ぼす。 そのような要因の1つは、変換とユーザの満足度を高めるために季節広告を積極的に検知し校正することである。 本稿では,産業と研究の両方において,広告のランク付けとレコメンデーションのコミュニティにとって関心のある研究課題であるPDCaSA(Proactive Detection and Calibration of Seasonal Advertisements)について述べる。 本論文は, 大規模産業広告ランキングシステムによって検証され, 動機付けられた, 様々な角度から詳細なガイドラインを提供する。 実際のシステムに根ざした問題の明確なステートメント、評価指標、既存の課題への光、学習した教訓、この問題に対処するためのデータアノテーションと機械学習モデリングのベストプラクティスなど、私たちの発見を共有します。 最後に、本研究では、季節性を検出するために、社内ベンチマークで0.97点のF1スコアを達成したMultimodal LLMs(MLMs)を活用しました。 そこで本研究では,MLMを知識蒸留の教師,機械ラベル,組立・結束型季節検知システムの一部として想定する。

関連論文リスト

• Large Language Models for Anomaly and Out-of-Distribution Detection: A Survey [18.570066068280212]
  大規模言語モデル(LLM)は、自然言語処理だけでなく、より広範なアプリケーションでもその効果を実証している。 本調査は,LSMの文脈下での異常検出とOOD検出の問題点に焦点を当てた。 LLMが果たす役割に基づいて,既存のアプローチを2つのクラスに分類する新たな分類法を提案する。
  論文  参考訳（メタデータ） (2024-09-03T15:22:41Z)
• LLM Inference Serving: Survey of Recent Advances and Opportunities [8.567865555551911]
  本稿では,Large Language Model (LLM) サービスシステムの最近の進歩について概観する。 コアLLM復号機構を変更することなく性能と効率を向上させるシステムレベルの拡張について検討する。 この調査は、この急速に発展する分野における最新の発展を振り返りたいLLM実践者にとって、貴重なリソースとなる。
  論文  参考訳（メタデータ） (2024-07-17T08:11:47Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• CLAMBER: A Benchmark of Identifying and Clarifying Ambiguous Information Needs in Large Language Models [60.59638232596912]
  大規模言語モデル(LLM)を評価するベンチマークであるCLAMBERを紹介する。 分類を基盤として12Kの高品質なデータを構築し, 市販のLCMの強度, 弱点, 潜在的なリスクを評価する。 本研究は, あいまいなユーザクエリの特定と明確化において, 現在のLCMの実用性に限界があることを示唆する。
  論文  参考訳（メタデータ） (2024-05-20T14:34:01Z)
• A Survey of Confidence Estimation and Calibration in Large Language Models [86.692994151323]
  大規模言語モデル(LLM)は、様々な領域において幅広いタスクにまたがる顕著な機能を示している。 印象的なパフォーマンスにもかかわらず、彼らは世代内の事実上の誤りのために信頼できない。 信頼度を評価し、異なるタスクで調整することで、リスクを軽減し、LLMがより良い世代を創出できるようになります。
  論文  参考訳（メタデータ） (2023-11-14T16:43:29Z)
• 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)
• ExpeL: LLM Agents Are Experiential Learners [60.54312035818746]
  実験学習エージェント(ExpeL)を導入し、パラメトリック更新を必要とせずにエージェント体験から学習できるようにする。 我々のエージェントは、経験を自律的に収集し、学習課題の集合から自然言語を用いて知識を抽出する。 推論において、エージェントは抽出された洞察と過去の経験をリコールし、情報的決定を行う。
  論文  参考訳（メタデータ） (2023-08-20T03:03:34Z)
• A Survey on Large Language Models for Recommendation [77.91673633328148]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。 本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
  論文  参考訳（メタデータ） (2023-05-31T13:51:26Z)
• On the Factory Floor: ML Engineering for Industrial-Scale Ads Recommendation Models [9.102290972714652]
  産業規模の広告システムでは、広告クリックスルー率(CTR)の予測が中心的な問題である。 本稿では,Googleの検索広告CTRモデルに実装された実用技術について事例研究を行う。
  論文  参考訳（メタデータ） (2022-09-12T15:15:23Z)
• Applying Multi-armed Bandit Algorithms to Computational Advertising [0.0]
  各種オンライン学習アルゴリズムの性能について検討し,Webユーザに対して最も高いコンバージョン率の広告/フェーラを識別・表示する。 本稿では,機械学習における古典的パラダイムであるマルチアーメッド帯域問題として,広告選択問題を定式化する。 本稿は、2011年から2015年までの計算広告分野における我々の発見について紹介する。
  論文  参考訳（メタデータ） (2020-11-22T03:23:13Z)
• Hidden Incentives for Auto-Induced Distributional Shift [11.295927026302573]
  本稿では,ADS(Auto-induced Distributional shift)という用語を導入し,アルゴリズムが自身の入力の分布に変化をもたらす現象について述べる。 私たちのゴールは、機械学習システムがADSを活用しないことを保証し、実行時にパフォーマンスを向上させることです。 メタ学習の導入などの学習アルゴリズムの変更は、自動誘導分布シフト(HI-ADS)に隠れたインセンティブをもたらす可能性があることを実証する。
  論文  参考訳（メタデータ） (2020-09-19T03:31:27Z)

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。