論文の概要: HyperZero: A Customized End-to-End Auto-Tuning System for Recommendation with Hourly Feedback
- arxiv url: http://arxiv.org/abs/2501.18126v1
- Date: Thu, 30 Jan 2025 04:04:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-31 15:15:16.168563
- Title: HyperZero: A Customized End-to-End Auto-Tuning System for Recommendation with Hourly Feedback
- Title（参考訳）: HyperZero: 時間フィードバックによるリコメンデーションのためのカスタマイズされたエンドツーエンド自動チューニングシステム
- Authors: Xufeng Cai, Ziwei Guan, Lei Yuan, Ali Selman Aydin, Tengyu Xu, Boying Liu, Wenbo Ren, Renkai Xiang, Songyi He, Haichuan Yang, Serena Li, Mingze Gao, Yue Weng, Ji Liu,
- Abstract要約: モデルウェイトを2段階のレコメンデーションシステムに最適化する方法はまだ体系的な研究を欠いている。
一般的な自動チューニングシステムやソリューションはこの問題に対処できるが、実現可能なソリューションを特定するのに数週間や数ヶ月を要するのが普通である。
本稿では,これらの時間制約に対処するHyperZeroという,実用的な自動チューニングシステムを提案する。
- 参考スコア（独自算出の注目度）: 21.896350202193897
- License:
- Abstract: Modern recommendation systems can be broadly divided into two key stages: the ranking stage, where the system predicts various user engagements (e.g., click-through rate, like rate, follow rate, watch time), and the value model stage, which aggregates these predictive scores through a function (e.g., a linear combination defined by a weight vector) to measure the value of each content by a single numerical score. Both stages play roughly equally important roles in real industrial systems; however, how to optimize the model weights for the second stage still lacks systematic study. This paper focuses on optimizing the second stage through auto-tuning technology. Although general auto-tuning systems and solutions - both from established production practices and open-source solutions - can address this problem, they typically require weeks or even months to identify a feasible solution. Such prolonged tuning processes are unacceptable in production environments for recommendation systems, as suboptimal value models can severely degrade user experience. An effective auto-tuning solution is required to identify a viable model within 2-3 days, rather than the extended timelines typically associated with existing approaches. In this paper, we introduce a practical auto-tuning system named HyperZero that addresses these time constraints while effectively solving the unique challenges inherent in modern recommendation systems. Moreover, this framework has the potential to be expanded to broader tuning tasks within recommendation systems.
- Abstract（参考訳）: 現代のレコメンデーションシステムは、システムが様々なユーザエンゲージメント(例えば、レート、フォローレート、視聴時間など)を予測するランキングステージと、これらの予測スコアを関数(例えば、重みベクトルで定義された線形組合せ)を介して集約し、各コンテンツの値を単一の数値スコアで測定する値モデルステージとに大きく分けることができる。
どちらの段階も実際の産業システムにおいてほぼ等しく重要な役割を担っているが、第2段階のモデルウェイトを最適化する方法は体系的な研究を欠いている。
本稿では,自動チューニング技術による第2段階の最適化に焦点を当てる。
一般的な自動チューニングシステムとソリューション - 確立した運用プラクティスとオープンソースソリューションの両方から - はこの問題に対処できるが、実現可能なソリューションを特定するには、通常は数週間あるいは数ヶ月を要する。
このような長時間のチューニングプロセスは、最適値モデルがユーザエクスペリエンスを著しく低下させる可能性があるため、レコメンデーションシステムのために本番環境では受け入れられない。
有効な自動チューニングソリューションは、既存のアプローチに典型的な拡張タイムラインではなく、2～3日以内に実行可能なモデルを特定するために必要である。
本稿では,現代レコメンデーションシステムに固有の課題を効果的に解決しつつ,これらの制約に対処する,HyperZeroという実用的自動チューニングシステムを提案する。
さらに、このフレームワークはレコメンデーションシステム内でより広範なチューニングタスクに拡張される可能性がある。
関連論文リスト
- LLM-enhanced Reranking in Recommender Systems [49.969932092129305]
リグレードはレコメンデーションシステムにおいて重要な要素であり、レコメンデーションアルゴリズムの出力を精査する上で重要な役割を果たす。
そこで我々は,様々な格付け基準をシームレスに統合する包括的格付けフレームワークを提案する。
カスタマイズ可能な入力機構も統合されており、言語モデルのフォーカスを特定の再配置のニーズに合わせることができる。
論文 参考訳（メタデータ） (2024-06-18T09:29:18Z) - System-Aware Neural ODE Processes for Few-Shot Bayesian Optimization [15.581730656797085]
本稿では,システムの事前情報に基づくベイズ最適化フレームワークについて紹介する。
我々はSANODEPの動的システムにおける数ショットBOの可能性を示す広範囲な実験を行った。
また、SANODEPの様々な事前情報への適応性についても検討し、事前の柔軟性とモデルの適合精度のトレードオフを強調した。
論文 参考訳（メタデータ） (2024-06-04T14:28:36Z) - Rethinking Resource Management in Edge Learning: A Joint Pre-training and Fine-tuning Design Paradigm [87.47506806135746]
一部のアプリケーションでは、エッジラーニングは、スクラッチから新しい2段階ラーニングへと焦点を移している。
本稿では,2段階のエッジ学習システムにおける共同コミュニケーションと計算資源管理の問題について考察する。
事前学習および微調整段階に対する共同資源管理の提案は,システム性能のトレードオフをうまくバランスさせることが示されている。
論文 参考訳（メタデータ） (2024-04-01T00:21:11Z) - Towards General and Efficient Online Tuning for Spark [55.30868031221838]
本稿では,3つの問題を同時に処理できる汎用的で効率的なSparkチューニングフレームワークを提案する。
我々は、このフレームワークを独立したクラウドサービスとして実装し、Tencentのデータプラットフォームに適用しました。
論文 参考訳（メタデータ） (2023-09-05T02:16:45Z) - ALT: An Automatic System for Long Tail Scenario Modeling [15.76033166478158]
この問題に対処するために,ALTという自動システムを提案する。
各種自動機械学習関連技術を活用するなど,我々のシステムで使用されるアルゴリズムを改善するために,いくつかの取り組みがなされている。
システムを構築するには、システムの観点から多くの最適化が行われ、本質的なモジュールは武装している。
論文 参考訳（メタデータ） (2023-05-19T02:35:39Z) - Incremental Learning for Personalized Recommender Systems [8.020546404087922]
トレーニング効率とモデル品質の両方を提供するために,インクリメンタルな学習ソリューションを提案する。
このソリューションはLinkedInにデプロイされ、産業規模のレコメンデーションシステムに直接適用される。
論文 参考訳（メタデータ） (2021-08-13T04:21:21Z) - Application-Driven Learning: A Closed-Loop Prediction and Optimization Approach Applied to Dynamic Reserves and Demand Forecasting [41.94295877935867]
我々は、予測と意思決定のプロセスが統合され、協調最適化される新しいクローズドループフレームワークであるアプリケーション駆動学習を提案する。
提案手法は拡張性があり,標準のオープンループ手法よりも一貫して性能が向上することを示す。
論文 参考訳（メタデータ） (2021-02-26T02:43:28Z) - Exploration in two-stage recommender systems [79.50534282841618]
2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。
このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。
そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
論文 参考訳（メタデータ） (2020-09-01T16:52:51Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-14T12:38:21Z) - Bottom-Up Temporal Action Localization with Mutual Regularization [107.39785866001868]
TALの最先端の解決策は、3つの行動指示相のフレームレベルの確率を評価することである。
学習手順を相互に規則化するための2つの規則化用語を導入する。
実験は2つの人気のTALデータセット、THUMOS14とActivityNet1.3で行われている。
論文 参考訳（メタデータ） (2020-02-18T03:59:13Z) - Optimal by Design: Model-Driven Synthesis of Adaptation Strategies for
Autonomous Systems [9.099295007630484]
我々は,自律システムのための最適適応戦略のモデルベース要求駆動型合成のためのフレームワークであるOptimal by Design (ObD)を提案する。
ObDは、自己適応システムの基本的な要素、すなわちシステム、能力、要求、環境の高レベルな記述のためのモデルを提案する。
これらの要素に基づいてマルコフ決定プロセス(MDP)が構築され、最適な戦略や最も報いるシステム行動を計算する。
論文 参考訳（メタデータ） (2020-01-16T12:49:55Z)
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。