論文の概要: Personalized Interpolation: An Efficient Method to Tame Flexible Optimization Window Estimation

• arxiv url: http://arxiv.org/abs/2501.14103v1
• Date: Thu, 23 Jan 2025 21:29:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:56:32.010000
• Title: Personalized Interpolation: An Efficient Method to Tame Flexible Optimization Window Estimation
• Title（参考訳）: パーソナライズされた補間: フレキシブル最適化ウィンドウ推定を効率的に行う方法
• Authors: Xin Zhang, Weiliang Li, Rui Li, Zihang Fu, Tongyi Tang, Zhengyu Zhang, Wen-Yen Chen, Nima Noorshams, Nirav Jasapara, Xiaowen Ding, Ellie Wen, Xue Feng,
• Abstract要約: フレキシブルな変換ウィンドウを推定するために,textit Personalized Interpolation法という新しい手法を導入する。 実験により,本手法は予測精度が高く,既存手法よりも効率的に行うことができることを示した。
• 参考スコア（独自算出の注目度）: 4.355504037246337
• License:
• Abstract: In the realm of online advertising, optimizing conversions is crucial for delivering relevant products to users and enhancing business outcomes. Predicting conversion events is challenging due to variable delays between user interactions, such as impressions or clicks, and the actual conversions. These delays differ significantly across various advertisers and products, necessitating distinct optimization time windows for targeted conversions. To address this, we introduce a novel approach named the \textit{Personalized Interpolation} method, which innovatively builds upon existing fixed conversion window models to estimate flexible conversion windows. This method allows for the accurate estimation of conversions across a variety of delay ranges, thus meeting the diverse needs of advertisers without increasing system complexity. To validate the efficacy of our proposed method, we conducted comprehensive experiments using ads conversion model. Our experiments demonstrate that this method not only achieves high prediction accuracy but also does so more efficiently than other existing solutions. This validation underscores the potential of our Personalized Interpolation method to significantly enhance conversion optimization in real-world online advertising systems, promising improved targeting and effectiveness in advertising strategies.
• Abstract（参考訳）: オンライン広告の分野では、関連する製品をユーザーに提供し、ビジネス成果を高めるために、変換の最適化が不可欠である。 インプレッションやクリックなどのユーザインタラクション間の遅延や,実際のコンバージョンによって,コンバージョンイベントの予測が困難になる。 これらの遅延は、様々な広告主や製品間で大きく異なり、ターゲット変換のための異なる最適化時間ウィンドウを必要とする。 そこで本研究では,既存の固定された変換ウィンドウモデルに基づいて,フレキシブルな変換ウィンドウを推定する新しい手法である「textit{Personalized Interpolation}」を導入する。 この方法では,様々な遅延範囲にわたる変換の正確な推定が可能であり,システム複雑性を増大させることなく,広告主の多様なニーズを満たすことができる。 提案手法の有効性を検証するため,広告変換モデルを用いた総合的な実験を行った。 実験により,本手法は高い予測精度を実現するだけでなく,他の既存手法よりも効率的に行うことができることを示した。 この検証は、実際のオンライン広告システムにおける変換最適化を大幅に向上させるパーソナライズされた補間手法の可能性を強調し、ターゲティングの改善と広告戦略の有効性を約束する。

関連論文リスト

• Hateful Meme Detection through Context-Sensitive Prompting and Fine-Grained Labeling [9.166963162285064]
  複雑なタスクにおけるモデル最適化のためのエンドツーエンドの概念フレームワークを提案する。 実験は、この伝統的な新しいフレームワークの有効性をサポートし、高い精度とAUROCを達成する。
  論文  参考訳（メタデータ） (2024-11-13T08:05:41Z)
• Multi-Scenario Combination Based on Multi-Agent Reinforcement Learning to Optimize the Advertising Recommendation System [38.501423778989704]
  本稿では,異なるシナリオを共通の目的の下で整列するマルチエージェント・リカレント決定性ポリシー勾配(MARDPG)アルゴリズムを提案する。 その結果,クリックスルー率 (CTR) , コンバージョン率, 総売上など, 指標の大幅な改善が見られた。
  論文  参考訳（メタデータ） (2024-07-03T02:33:20Z)
• Evolutionary Multi-Objective Optimisation for Fairness-Aware Self Adjusting Memory Classifiers in Data Streams [2.8366371519410887]
  本稿では,データストリーム分類に適用した機械学習アルゴリズムの公平性を高める新しい手法を提案する。 提案手法は、自己調整メモリK-Nearest-Neighbourアルゴリズムと進化的多目的最適化の長所を統合する。 提案手法は競争精度を維持し, 差別を著しく低減することを示す。
  論文  参考訳（メタデータ） (2024-04-18T10:59:04Z)
• Efficient Federated Learning via Local Adaptive Amended Optimizer with Linear Speedup [90.26270347459915]
  そこで我々は,グローバル・アダプティカル・アダプティカル・アダプティカル・アダプティカル・アダプティカル・アルゴリズムを提案する。 textitLADAは通信ラウンドを大幅に削減し、複数のベースラインよりも高い精度を実現する。
  論文  参考訳（メタデータ） (2023-07-30T14:53:21Z)
• Robust Prompt Optimization for Large Language Models Against Distribution Shifts [80.6757997074956]
  大規模言語モデル(LLM)は、様々な自然言語処理タスクにおいて重要な能力を示している。 本稿では,LLMの分散シフトに対するロバストな最適化法を提案する。 この問題は、ラベル付けされたソースグループに最適化されたプロンプトを同時にラベル付けされていないターゲットグループに一般化する必要がある。
  論文  参考訳（メタデータ） (2023-05-23T11:30:43Z)
• Full Stack Optimization of Transformer Inference: a Survey [58.55475772110702]
  トランスフォーマーモデルは広範囲のアプリケーションにまたがって優れた精度を実現する。 最近のTransformerモデルの推測に必要な計算量と帯域幅は、かなり増加しています。 Transformerモデルをより効率的にすることに注力している。
  論文  参考訳（メタデータ） (2023-02-27T18:18:13Z)
• ECO-TR: Efficient Correspondences Finding Via Coarse-to-Fine Refinement [80.94378602238432]
  粗大な処理で対応性を見出すことにより、ECO-TR(Correspondence Efficient Transformer)と呼ばれる効率的な構造を提案する。 これを実現するために、複数の変圧器ブロックは段階的に連結され、予測された座標を徐々に洗練する。 種々のスパースタスクと密マッチングタスクの実験は、既存の最先端技術に対する効率性と有効性の両方において、我々の手法の優位性を実証している。
  論文  参考訳（メタデータ） (2022-09-25T13:05:33Z)
• Resource-Efficient Invariant Networks: Exponential Gains by Unrolled Optimization [8.37077056358265]
  本稿では,最適化に基づく不変ネットワーク構築のための新しい計算プリミティブを提案する。 提案手法の効率向上と音質の実証的,理論的検討を行った。 単純な階層的オブジェクト検出タスクに対して,効率的な不変ネットワークを構築する上で,その有用性を実証する。
  論文  参考訳（メタデータ） (2022-03-09T19:04:08Z)
• Adaptive Image Transformations for Transfer-based Adversarial Attack [73.74904401540743]
  適応画像変換学習(AITL)と呼ばれる新しいアーキテクチャを提案する。 精巧に設計した学習者は、入力画像固有の画像変換の最も効果的な組み合わせを適応的に選択する。 本手法は、通常訓練されたモデルと防衛モデルの両方において、各種設定下での攻撃成功率を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-11-27T08:15:44Z)
• Fast Rates for Contextual Linear Optimization [52.39202699484225]
  提案手法は, 下流決定性能を直接最適化する手法よりもはるかに高速な, 後悔の収束率を実現する。 予測モデルは、既存のツールを使ったトレーニングが簡単かつ高速で、解釈が簡単で、私たちが示しているように、非常にうまく機能する決定につながる。
  論文  参考訳（メタデータ） (2020-11-05T18:43:59Z)

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。