論文の概要: Delayed Feedback Modeling with Influence Functions

• arxiv url: http://arxiv.org/abs/2502.01669v2
• Date: Thu, 14 Aug 2025 12:15:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 15:52:16.766846
• Title: Delayed Feedback Modeling with Influence Functions
• Title（参考訳）: 影響関数を用いた遅延フィードバックモデリング
• Authors: Chenlu Ding, Jiancan Wu, Yancheng Yuan, Cunchun Li, Xiang Wang, Dingxian Wang, Frank Yang, Andrew Rabinovich,
• Abstract要約: 大きな課題はフィードバックの遅延であり、ユーザインタラクションの長い時間後に変換が発生する可能性があるため、不完全な最近のデータとバイアス付きモデルトレーニングにつながります。 既存のソリューションはこの問題を部分的に緩和するが、しばしば補助的なモデルに依存し、計算的に非効率でユーザーの関心の変化に適応しない。 提案するIF-DFMは、アンダーライン遅延アンダーラインインフルエンスをベースとしたアンダーラインインフルエンスアンダーラインモデルであり、新たに到着した変換と遅延変換がモデルパラメータに与える影響を推定し、効率よく実現できる。
• 参考スコア（独自算出の注目度）: 10.327472992234808
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In online advertising under the cost-per-conversion (CPA) model, accurate conversion rate (CVR) prediction is crucial. A major challenge is delayed feedback, where conversions may occur long after user interactions, leading to incomplete recent data and biased model training. Existing solutions partially mitigate this issue but often rely on auxiliary models, making them computationally inefficient and less adaptive to user interest shifts. We propose IF-DFM, an \underline{I}nfluence \underline{F}unction-empowered for \underline{D}elayed \underline{F}eedback \underline{M}odeling which estimates the impact of newly arrived and delayed conversions on model parameters, enabling efficient updates without full retraining. By reformulating the inverse Hessian-vector product as an optimization problem, IF-DFM achieves a favorable trade-off between scalability and effectiveness. Experiments on benchmark datasets show that IF-DFM outperforms prior methods in both accuracy and adaptability.
• Abstract（参考訳）: コスト・パー・コンバージョン(CPA)モデルに基づくオンライン広告では、正確なコンバージョン率(CVR)予測が不可欠である。 大きな課題はフィードバックの遅延であり、ユーザインタラクションの長い時間後に変換が発生する可能性があるため、不完全な最近のデータとバイアス付きモデルトレーニングにつながります。 既存のソリューションはこの問題を部分的に緩和するが、しばしば補助的なモデルに依存し、計算的に非効率でユーザーの関心の変化に適応しない。 本稿では, モデルパラメータに対する新たに到着した変換と遅延した変換の影響を推定し, 完全リトレーニングなしで効率的に更新できるIF-DFMを提案する。 逆ヘッセンベクトル積を最適化問題として再構成することにより、IF-DFMはスケーラビリティと有効性の間の良好なトレードオフを達成する。 ベンチマークデータセットの実験では、IF-DFMは精度と適応性の両方で従来の手法よりも優れていた。

関連論文リスト

• UGCE: User-Guided Incremental Counterfactual Exploration [2.2789818122188925]
  対実的説明(CFE)は、モデル出力を変更する最小限の機能変化を識別することによって、機械学習の予測を解釈するための一般的なアプローチである。 既存のメソッドはそのような反復的な更新をサポートしず、代わりに変更毎にスクラッチから説明を再計算する。 UGCE(User-Guided Incremental Counterfactual Exploration)は,遺伝的アルゴリズムをベースとした,ユーザ制約の進展に応じて,逆ファクトアルを漸進的に更新するフレームワークである。
  論文  参考訳（メタデータ） (2025-05-27T15:24:43Z)
• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• VIRL: Volume-Informed Representation Learning towards Few-shot Manufacturability Estimation [0.0]
  本研究は,3次元幾何エンコーダの事前学習のためのボリュームインフォームド表現学習手法であるVIRLを紹介する。 VIRLによって事前訓練されたモデルでは,データ制限による一般化性の向上が大幅に向上した。
  論文  参考訳（メタデータ） (2024-06-18T05:30:26Z)
• Causal Contrastive Learning for Counterfactual Regression Over Time [3.3523758554338734]
  本稿では, 長期予測を重視した, 反実的回帰に対するユニークなアプローチを提案する。 Causal Transformerのような既存のモデルから切り離し、我々のアプローチは長期的な予測にRNNを使うことの有効性を強調します。 提案手法は, 合成データと実世界のデータの両方を用いて, 最先端の対物推定結果を実現する。
  論文  参考訳（メタデータ） (2024-06-01T19:07:25Z)
• FedCAda: Adaptive Client-Side Optimization for Accelerated and Stable Federated Learning [57.38427653043984]
  フェデレートラーニング(FL)は、分散クライアント間の機械学習モデルの協調トレーニングにおいて、顕著なアプローチとして登場した。 我々は,この課題に対処するために設計された,革新的なクライアント適応アルゴリズムであるFedCAdaを紹介する。 我々はFedCAdaが適応性、収束性、安定性、全体的な性能の点で最先端の手法より優れていることを実証する。
  論文  参考訳（メタデータ） (2024-05-20T06:12:33Z)
• DCRMTA: Unbiased Causal Representation for Multi-touch Attribution [0.2417342411475111]
  MTA(Multi-touch Attribution)は、現在、各広告の変換行動に対する貢献を公平に評価する上で重要な役割を担っている。 これまでの研究は、利用者の好みに起因したバイアスを排除し、変換モデルのバイアスのない仮定を達成しようと試みてきた。 本稿では、ユーザ特徴がコンバージョンに与える影響を再定義し、MTAのための新しいエンドツーエンドのap-proachであるDeep Causal Representationを提案する。
  論文  参考訳（メタデータ） (2024-01-16T23:16:18Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Generalized Delayed Feedback Model with Post-Click Information in Recommender Systems [37.72697954740977]
  クリック後のユーザ行動も変換率予測に有益であり,タイムラインの改善に有効であることを示す。 本稿では、クリック後の動作と初期変換の両方をクリック後の情報として統合する一般化遅延フィードバックモデル(GDFM)を提案する。
  論文  参考訳（メタデータ） (2022-06-01T11:17:01Z)
• FastIF: Scalable Influence Functions for Efficient Model Interpretation and Debugging [112.19994766375231]
  影響関数は、テスト予測のためのトレーニングデータポイントの「影響」を近似する。 fastifは、実行時間を大幅に改善する関数に影響を与えるための、単純な修正セットです。 本実験はモデル解釈とモデル誤差の修正における影響関数の可能性を示す。
  論文  参考訳（メタデータ） (2020-12-31T18:02:34Z)
• Blending MPC & Value Function Approximation for Efficient Reinforcement Learning [42.429730406277315]
  モデル予測制御(MPC)は、複雑な実世界のシステムを制御する強力なツールである。 モデルフリー強化学習(RL)によるMPC改善のためのフレームワークを提案する。 我々は,本手法がmpcに匹敵する性能と真のダイナミクスを両立できることを示す。
  論文  参考訳（メタデータ） (2020-12-10T11:32:01Z)
• 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)

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。