論文の概要: Hidden Representation Clustering with Multi-Task Representation Learning towards Robust Online Budget Allocation
- arxiv url: http://arxiv.org/abs/2506.00959v1
- Date: Sun, 01 Jun 2025 11:09:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-04 21:47:33.810108
- Title: Hidden Representation Clustering with Multi-Task Representation Learning towards Robust Online Budget Allocation
- Title（参考訳）: ロバストオンライン予算配分に向けたマルチタスク表現学習による隠れ表現クラスタリング
- Authors: Xiaohan Wang, Yu Zhang, Guibin Jiang, Bing Cheng, Wei Lin,
- Abstract要約: マーケティング最適化は、一般的にオンライン予算配分問題として定式化され、ユーザーの成長を促進する重要な要因となっている。
本稿では,クラスタの観点から問題を解く新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 25.524699372749957
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Marketing optimization, commonly formulated as an online budget allocation problem, has emerged as a pivotal factor in driving user growth. Most existing research addresses this problem by following the principle of 'first predict then optimize' for each individual, which presents challenges related to large-scale counterfactual prediction and solving complexity trade-offs. Note that the practical data quality is uncontrollable, and the solving scale tends to be tens of millions. Therefore, the existing approaches make the robust budget allocation non-trivial, especially in industrial scenarios with considerable data noise. To this end, this paper proposes a novel approach that solves the problem from the cluster perspective. Specifically, we propose a multi-task representation network to learn the inherent attributes of individuals and project the original features into high-dimension hidden representations through the first two layers of the trained network. Then, we divide these hidden representations into $K$ groups through partitioning-based clustering, thus reformulating the problem as an integer stochastic programming problem under different total budgets. Finally, we distill the representation module and clustering model into a multi-category model to facilitate online deployment. Offline experiments validate the effectiveness and superiority of our approach compared to six state-of-the-art marketing optimization algorithms. Online A/B tests on the Meituan platform indicate that the approach outperforms the online algorithm by 0.53% and 0.65%, considering order volume (OV) and gross merchandise volume (GMV), respectively.
- Abstract（参考訳）: マーケティング最適化は、一般的にオンライン予算配分問題として定式化され、ユーザーの成長を促進する重要な要因となっている。
既存の研究の多くは、個別に「最初に予測し、最適化する」という原則に従うことでこの問題に対処している。
実用的なデータ品質は制御不能であり、解決スケールは数千万に達する傾向にある点に注意が必要だ。
したがって、既存の手法は、特にかなりのデータノイズを伴う産業シナリオにおいて、ロバストな予算配分を非自明にしている。
そこで本研究では,クラスタの観点から問題を解く新しい手法を提案する。
具体的には、個人固有の属性を学習し、トレーニングネットワークの最初の2層を通して、元の特徴を高次元の隠れ表現に投影するマルチタスク表現ネットワークを提案する。
そして,これらの隠蔽表現を分割に基づくクラスタリングにより$K$群に分割し,その問題を異なる全予算の下で整数確率的プログラミング問題として再構成する。
最後に,表現モジュールとクラスタリングモデルをマルチカテゴリモデルに蒸留し,オンライン展開を容易にする。
オフライン実験は6つの最先端マーケティング最適化アルゴリズムと比較して,我々のアプローチの有効性と優位性を検証する。
Meituanプラットフォーム上でのオンラインA/Bテストでは、注文数(OV)と総商品数(GMV)を考慮すると、この手法がオンラインアルゴリズムの0.53%と0.65%を上回っていることを示している。
関連論文リスト
- Accelerating Spectral Clustering under Fairness Constraints [56.865810822418744]
本研究では,Fair SC問題を凸関数(DC)フレームワークの差内にキャストすることで,フェアスペクトルクラスタリング(Fair SC)のための新しい効率的な手法を提案する。
本研究では,各サブプロブレムを効率よく解き,計算効率が先行処理よりも高いことを示す。
論文 参考訳（メタデータ） (2025-06-09T18:46:27Z) - Learning for Cross-Layer Resource Allocation in MEC-Aided Cell-Free Networks [71.30914500714262]
移動エッジコンピューティング(MEC)を援用したセルフリーネットワーク上でのクロスレイヤリソース割り当ては、データレートを促進するために、送信およびコンピューティングリソースを十分に活用することができる。
深層学習の観点からMEC支援セルフリーネットワークのサブキャリア配置とビームフォーミング最適化について検討した。
論文 参考訳（メタデータ） (2024-12-21T10:18:55Z) - Multi-Task Combinatorial Bandits for Budget Allocation [7.52750519688457]
今日のトップ広告主は、通常、数百のキャンペーンを同時に管理し、年間を通じて一貫して新しいキャンペーンをローンチします。
マーケティングマネージャにとって重要な課題は、累積リターンを最大化するために、各キャンペーンにおいて様々な広告ラインで限られた予算を最適に割り当てることである。
本稿では,マルチタスクバンディット問題として予算配分を定式化し,新たなオンライン予算配分システムを提案する。
論文 参考訳（メタデータ） (2024-08-31T23:19:49Z) - LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks [52.46420522934253]
本稿では,自己注意ネットワークのためのパラメータ効率のよいアンサンブル手法であるLoRA-Ensembleを紹介する。
この方法は、BatchEnsembleのような最先端の暗黙のテクニックを上回るだけでなく、Explicit Ensembleの正確さにマッチするか超える。
論文 参考訳（メタデータ） (2024-05-23T11:10:32Z) - On the Necessity of Collaboration for Online Model Selection with Decentralized Data [53.244188985271606]
我々は,100万ドル以上の分散データを用いたオンラインモデル選択について検討し,クライアント間のコラボレーションの必要性について検討する。
i) クライアント上の計算コストが$o(K)$に制限された場合, (ii) クライアント上での計算制約がない場合, (i) 協調は不要であり, (ii) クライアント上での計算コストは$o(K)$に制限される。
論文 参考訳（メタデータ） (2024-04-15T06:32:28Z) - CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。
ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。
人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
論文 参考訳（メタデータ） (2024-03-28T15:45:03Z) - One-step Multi-view Clustering with Diverse Representation [47.41455937479201]
本稿では,多視点学習と$k$-meansを統合フレームワークに組み込んだ一段階のマルチビュークラスタリングを提案する。
そこで本研究では,効率の良い最適化アルゴリズムを開発し,その解法について述べる。
論文 参考訳（メタデータ） (2023-06-08T02:52:24Z) - End-to-End Pareto Set Prediction with Graph Neural Networks for
Multi-objective Facility Location [10.130342722193204]
施設配置問題(FLP)は、サプライチェーンやロジスティクスで広く見られるNPハード最適化問題の典型的なクラスである。
本稿では,システム全体のコストを同時に最小化し,システム信頼性を最大化する多目的施設配置問題(MO-FLP)について考察する。
ノードとエッジの暗黙グラフ表現を学習するために、2つのグラフニューラルネットワークを構築した。
論文 参考訳（メタデータ） (2022-10-27T07:15:55Z) - Learning from Images: Proactive Caching with Parallel Convolutional
Neural Networks [94.85780721466816]
本稿では,プロアクティブキャッシングのための新しいフレームワークを提案する。
モデルベースの最適化とデータ駆動技術を組み合わせて、最適化問題をグレースケールのイメージに変換する。
数値計算の結果,提案手法は71.6%の計算時間を0.8%のコストで削減できることがわかった。
論文 参考訳（メタデータ） (2021-08-15T21:32:47Z) - The Best of Many Worlds: Dual Mirror Descent for Online Allocation
Problems [7.433931244705934]
本稿では,意思決定者に対して未知の入力モデルを用いて,各要求に対する報酬とリソース消費を生成するデータ駆動型設定について考察する。
様々な入力モデルにおいて,どの入力に直面するかを知ることなく,優れた性能が得られるアルゴリズムの一般クラスを設計する。
我々のアルゴリズムはラグランジアン双対空間で動作し、オンラインミラー降下を用いて更新される各リソースに対して双対乗算器を保持する。
論文 参考訳（メタデータ） (2020-11-18T18:39:17Z) - A Fast Graph Neural Network-Based Method for Winner Determination in
Multi-Unit Combinatorial Auctions [44.14410999484577]
オークション(Auction, ACA)は、クラウドコンピューティングを含むさまざまな分野におけるリソース割り当ての効率的なメカニズムである。
競売人の収入を最大化するために入札者間でアイテムを割り当てることの問題は、NP完全で解決不可能である。
本稿では、機械学習(ML)技術を活用して、この問題を解決するための新たな低複雑さアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-29T00:22:37Z) - Decentralized MCTS via Learned Teammate Models [89.24858306636816]
本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。
深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
論文 参考訳（メタデータ） (2020-03-19T13:10:20Z)
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。