論文の概要: Explicit Uncertainty Modeling for Video Watch Time Prediction

• arxiv url: http://arxiv.org/abs/2504.07575v1
• Date: Thu, 10 Apr 2025 09:19:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:24:07.338676
• Title: Explicit Uncertainty Modeling for Video Watch Time Prediction
• Title（参考訳）: ビデオ視聴時間予測のための明示的不確実性モデリング
• Authors: Shanshan Wu, Shuchang Liu, Shuai Zhang, Xiaoyu Yang, Xiang Li, Lantao Hu, Han Li,
• Abstract要約: ビデオレコメンデーションにおいて、システムのレコメンデーション精度を決定する重要なコンポーネントは、ウォッチタイム予測モジュールである。 この問題の鍵となる課題の1つは、ユーザのウォッチタイム動作である。 本稿では,ユーザの時計時間行動をよりよく活用する逆最適化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 18.999640886056262
• License:
• Abstract: In video recommendation, a critical component that determines the system's recommendation accuracy is the watch-time prediction module, since how long a user watches a video directly reflects personalized preferences. One of the key challenges of this problem is the user's stochastic watch-time behavior. To improve the prediction accuracy for such an uncertain behavior, existing approaches show that one can either reduce the noise through duration bias modeling or formulate a distribution modeling task to capture the uncertainty. However, the uncontrolled uncertainty is not always equally distributed across users and videos, inducing a balancing paradox between the model accuracy and the ability to capture out-of-distribution samples. In practice, we find that the uncertainty of the watch-time prediction model also provides key information about user behavior, which, in turn, could benefit the prediction task itself. Following this notion, we derive an explicit uncertainty modeling strategy for the prediction model and propose an adversarial optimization framework that can better exploit the user watch-time behavior. This framework has been deployed online on an industrial video sharing platform that serves hundreds of millions of daily active users, which obtains a significant increase in users' video watch time by 0.31% through the online A/B test. Furthermore, extended offline experiments on two public datasets verify the effectiveness of the proposed framework across various watch-time prediction backbones.
• Abstract（参考訳）: ビデオレコメンデーションにおいて、システムのレコメンデーション精度を決定する重要なコンポーネントは、ユーザーがビデオを見る時間がパーソナライズされた好みを直接反映しているため、ウォッチタイム予測モジュールである。 この問題の鍵となる課題の1つは、ユーザの確率的なウォッチタイムの振る舞いである。 このような不確実な振る舞いの予測精度を向上させるため、既存手法では、持続バイアスモデルを用いてノイズを低減するか、分布モデリングタスクを定式化して不確実性を捉えることができる。 しかし、制御不能な不確実性は、必ずしもユーザーやビデオに均等に分散せず、モデルの精度と配布外サンプルをキャプチャする能力のバランスをとるパラドックスを引き起こす。 実際に、ウォッチタイム予測モデルの不確実性は、ユーザ行動に関する重要な情報も提供し、その結果、予測タスク自体に利益をもたらすことが判明した。 この概念に従えば、予測モデルに対する明確な不確実性モデリング戦略が導出され、ユーザウォッチタイムの振る舞いをよりうまく活用できる敵最適化フレームワークが提案される。 このフレームワークは、産業用ビデオ共有プラットフォームにオンラインでデプロイされ、毎日数億人のアクティブユーザーが利用でき、オンラインA/Bテストにより、ユーザのビデオ視聴時間が0.31%増加している。 さらに、2つの公開データセット上の拡張オフライン実験は、様々な監視時間予測バックボーンで提案されたフレームワークの有効性を検証する。

関連論文リスト

• SWaT: Statistical Modeling of Video Watch Time through User Behavior Analysis [15.246875830547056]
  本稿では,ビデオの視聴時の様々なユーザの行動仮定を統計的視聴時間モデルに変換するホワイトボックス統計フレームワークを提案する。 当社のモデルは、2つのパブリックデータセット、大規模なオフライン産業データセット、および数億人のデイリーアクティブユーザを持つ短いビデオプラットフォーム上でオンラインA/Bテストで広範囲にテストしています。
  論文  参考訳（メタデータ） (2024-08-14T18:19:35Z)
• Conditional Quantile Estimation for Uncertain Watch Time in Short-Video Recommendation [2.3166433227657186]
  本稿では,時計時間全体の条件分布をモデル化するための条件量子推定(CQE)フレームワークを提案する。 CQEは、ユーザとビデオのペアごとに複雑なウォッチタイム分布を特徴付け、ユーザの振る舞いを理解するための柔軟で包括的なアプローチを提供する。 特に、KuaiShowにおけるCQEのオンライン展開は、主要な評価指標を大幅に改善した。
  論文  参考訳（メタデータ） (2024-07-17T00:25:35Z)
• Counteracting Duration Bias in Video Recommendation via Counterfactual Watch Time [63.844468159126826]
  視聴時間の予測は時間のバイアスに悩まされ、ユーザーの興味を正確に反映する能力を妨げる。 対実時計モデル (CWM) が提案され、CWTはユーザーがビデオレコメンデーションシステムから最大限の利益を得る時間に等しいことを示した。
  論文  参考訳（メタデータ） (2024-06-12T06:55:35Z)
• Uncertainty-boosted Robust Video Activity Anticipation [72.14155465769201]
  ビデオアクティビティの予測は、ロボットビジョンから自動運転まで幅広い応用可能性を受け入れることで、将来何が起こるかを予測することを目的としている。 近年の進展にもかかわらず、コンテンツ進化過程やイベントラベルの動的相関として反映されたデータ不確実性問題は、何らかの形で無視されている。 本研究では,予測結果の信頼性を示す不確実な値を生成する,不確実性を考慮した頑健なビデオアクティビティ予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-29T12:31:38Z)
• Fine-grained Forecasting Models Via Gaussian Process Blurring Effect [6.472434306724611]
  時系列予測は、複雑な時間的依存関係と動的な時間的依存関係が存在するため、困難なタスクである。 より多くのトレーニングデータを使用することで精度が向上するが、このソースは制限されることが多い。 我々は、エンドツーエンドの予測・デノゲーションパラダイムを提唱し、画像生成のためのDenoisingアプローチを成功させています。
  論文  参考訳（メタデータ） (2023-12-21T20:25:16Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• Uncertainty-Aware Time-to-Event Prediction using Deep Kernel Accelerated Failure Time Models [11.171712535005357]
  本稿では,時間-時間予測タスクのためのDeep Kernel Accelerated Failure Timeモデルを提案する。 我々のモデルは、2つの実世界のデータセットの実験において、繰り返しニューラルネットワークに基づくベースラインよりも良い点推定性能を示す。
  論文  参考訳（メタデータ） (2021-07-26T14:55:02Z)
• Private Prediction Sets [72.75711776601973]
  機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。 これら2つのデシラタを共同で扱う枠組みを提案する。 本手法を大規模コンピュータビジョンデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-02-11T18:59:11Z)
• Attentional-GCNN: Adaptive Pedestrian Trajectory Prediction towards Generic Autonomous Vehicle Use Cases [10.41902340952981]
  本稿では,グラフのエッジに注目重みを割り当てることで,歩行者間の暗黙的相互作用に関する情報を集約する,GCNNに基づく新しいアプローチであるAttentional-GCNNを提案する。 提案手法は,10%平均変位誤差 (ADE) と12%最終変位誤差 (FDE) を高速な推論速度で向上することを示す。
  論文  参考訳（メタデータ） (2020-11-23T03:13:26Z)

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。