Fugu-MT 論文翻訳(概要): LiDDA: Data Driven Attribution at LinkedIn

論文の概要: LiDDA: Data Driven Attribution at LinkedIn

arxiv url: http://arxiv.org/abs/2505.09861v2
Date: Wed, 21 May 2025 22:19:59 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-23 12:25:14.971426
Title: LiDDA: Data Driven Attribution at LinkedIn
Title（参考訳）: LiDDA: LinkedInのデータ駆動属性
Authors: John Bencina, Erkut Aykutlug, Yue Chen, Zerui Zhang, Stephanie Sorenson, Shao Tang, Changshuai Wei,
Abstract要約: 我々は,メンバレベルのデータ,集約レベルのデータ,外部マクロファクタの統合を処理可能な,統一型トランスフォーマーベースの属性アプローチを導入する。 LinkedInでのアプローチの大規模実装について詳述し、大きな影響を示している。
参考スコア（独自算出の注目度）: 6.198783492309074
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Data Driven Attribution, which assigns conversion credits to marketing interactions based on causal patterns learned from data, is the foundation of modern marketing intelligence and vital to any marketing businesses and advertising platform. In this paper, we introduce a unified transformer-based attribution approach that can handle member-level data, aggregate-level data, and integration of external macro factors. We detail the large scale implementation of the approach at LinkedIn, showcasing significant impact. We also share learning and insights that are broadly applicable to the marketing and ad tech fields.
Abstract（参考訳）: データ駆動属性(Data Driven Attribution)は、データから学んだ因果パターンに基づいたマーケティングインタラクションに変換クレジットを割り当てるもので、現代のマーケティングインテリジェンスの基礎であり、あらゆるマーケティングビジネスや広告プラットフォームにとって不可欠である。本稿では,メンバレベルのデータ,集約レベルのデータ,外部マクロ要素の統合を処理可能な,統一型トランスフォーマーベースの属性手法を提案する。 LinkedInでのアプローチの大規模実装について詳述し、大きな影響を示している。また、マーケティングや広告技術分野に広く適用可能な学習と洞察を共有しています。

関連論文リスト

Web-Scale Visual Entity Recognition: An LLM-Driven Data Approach [56.55633052479446]
Webスケールのビジュアルエンティティ認識は、クリーンで大規模なトレーニングデータがないため、重大な課題を呈している。本稿では,ラベル検証,メタデータ生成,合理性説明に多モーダル大言語モデル(LLM)を活用することによって,そのようなデータセットをキュレートする新しい手法を提案する。実験により、この自動キュレートされたデータに基づいてトレーニングされたモデルは、Webスケールの視覚的エンティティ認識タスクで最先端のパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2024-10-31T06:55:24Z)
Context-aware Advertisement Modeling and Applications in Rapid Transit Systems [1.342834401139078]
本稿では,行動分析と追跡分析を用いた広告モデルを提案する。本稿では,エージェント・ベース・モデリング(ABM)技術を用いたモデルを提案する。
論文参考訳（メタデータ） (2024-09-16T02:59:36Z)
Data Acquisition: A New Frontier in Data-centric AI [65.90972015426274]
まず、現在のデータマーケットプレースを調査し、データセットに関する詳細な情報を提供するプラットフォームが不足していることを明らかにする。次に、データプロバイダと取得者間のインタラクションをモデル化するベンチマークであるDAMチャレンジを紹介します。提案手法の評価は,機械学習における効果的なデータ取得戦略の必要性を浮き彫りにしている。
論文参考訳（メタデータ） (2023-11-22T22:15:17Z)
Meta Knowledge Condensation for Federated Learning [65.20774786251683]
既存のフェデレートされた学習パラダイムは通常、より強力なモデルを達成するために、中央の解決器で分散モデルを広範囲に交換する。これにより、特にデータ分散が不均一である場合、サーバと複数のクライアントの間で深刻な通信負荷が発生します。既存のパラダイムとは違って,フェデレート学習におけるコミュニケーションコストを大幅に削減する新たな視点を導入する。
論文参考訳（メタデータ） (2022-09-29T15:07:37Z)
Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
論文参考訳（メタデータ） (2022-06-17T15:40:45Z)
Lessons from the AdKDD'21 Privacy-Preserving ML Challenge [57.365745458033075]
W3Cの顕著な提案では、過去のディスプレイの集計された、差別化されたプライベートなレポートを通じてのみ広告信号を共有することができる。この提案を広く研究するために、AdKDD'21でオープンなプライバシ保護機械学習チャレンジが行われた。重要な発見は、大量の集約されたデータの小さな集合が存在する場合の学習モデルは驚くほど効率的で安価であることである。
論文参考訳（メタデータ） (2022-01-31T11:09:59Z)
Deep Transfer Learning for Multi-source Entity Linkage via Domain Adaptation [63.24594955429465]
マルチソースエンティティリンクは、データのクリーニングやユーザ縫合といった、高インパクトなアプリケーションにおいて重要である。 AdaMELは、多ソースエンティティリンクを実行するための一般的なハイレベルな知識を学ぶディープトランスファー学習フレームワークである。本フレームワークは,教師付き学習に基づく平均的手法よりも8.21%向上した最先端の学習結果を実現する。
論文参考訳（メタデータ） (2021-10-27T15:20:41Z)
LADA: Look-Ahead Data Acquisition via Augmentation for Active Learning [24.464022706979886]
本稿では,Look-Ahead Data Acquisition by augmentation(LAD)を提案する。 LADAは、1)ラベルなしのデータインスタンスの選択と2)データ拡張によって生成される仮想データインスタンスの両方を考慮する。 LADAの性能は近年の増補ベースラインや買収ベースラインよりも大幅に改善されている。
論文参考訳（メタデータ） (2020-11-09T05:21:14Z)
Relation-aware Meta-learning for Market Segment Demand Prediction with Limited Records [40.33535461064516]
本稿では,メタラーニングパラダイムを備えたマルチパターン融合ネットワーク(MPFN)を組み込む新しいアルゴリズムRMLDPを提案する。 2つの大規模産業データセットについて広範な実験を行った。その結果、我々のRMLDPは最先端のベースラインよりも優れています。
論文参考訳（メタデータ） (2020-08-01T06:02:16Z)

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。