論文の概要: DCN^2: Interplay of Implicit Collision Weights and Explicit Cross Layers for Large-Scale Recommendation

• arxiv url: http://arxiv.org/abs/2506.21624v1
• Date: Tue, 24 Jun 2025 06:44:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:22.937554
• Title: DCN^2: Interplay of Implicit Collision Weights and Explicit Cross Layers for Large-Scale Recommendation
• Title（参考訳）: DCN^2:大規模勧告のための急激な衝突重みと明示的なクロス層の相互作用
• Authors: Blaž Škrlj, Yonatan Karni, Grega Gašperšič, Blaž Mramor, Yulia Stolin, Martin Jakomin, Jasna Urbančič, Yuval Dishi, Natalia Silberstein, Ophir Friedler, Assaf Klein,
• Abstract要約: 我々はDCNv2アーキテクチャに3つの重要なアルゴリズム的改善を導入し、その定式化と大規模動作について詳述する。 DCN2と呼ばれる拡張アーキテクチャは、さまざまなユースケースで毎秒0.5億以上の予測を処理するライブレコメンデーションシステムで積極的に使われています。 これらの改善は、クロス層の情報損失、学習可能なルックアップレベルの重みによる衝突の暗黙の管理、FFMの振る舞いをエミュレートするカスタムレイヤとのペアワイズ類似性の明示的なモデリングなど、DCNv2で観測される重要な制限に効果的に対処する。
• 参考スコア（独自算出の注目度）: 1.1027313935007121
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Deep and Cross architecture (DCNv2) is a robust production baseline and is integral to numerous real-life recommender systems. Its inherent efficiency and ability to model interactions often result in models that are both simpler and highly competitive compared to more computationally demanding alternatives, such as Deep FFMs. In this work, we introduce three significant algorithmic improvements to the DCNv2 architecture, detailing their formulation and behavior at scale. The enhanced architecture we refer to as DCN^2 is actively used in a live recommender system, processing over 0.5 billion predictions per second across diverse use cases where it out-performed DCNv2, both offline and online (ab tests). These improvements effectively address key limitations observed in the DCNv2, including information loss in Cross layers, implicit management of collisions through learnable lookup-level weights, and explicit modeling of pairwise similarities with a custom layer that emulates FFMs' behavior. The superior performance of DCN^2 is also demonstrated on four publicly available benchmark data sets.
• Abstract（参考訳）: ディープ・アンド・クロスアーキテクチャ(DCNv2)は堅牢な生産ベースラインであり、多くの実生活推奨システムに不可欠なものである。 その本質的に効率性と相互作用をモデル化する能力は、ディープFFMのようなより計算的に要求される代替品と比較して、より単純かつ高い競争力を持つモデルをもたらすことが多い。 本稿では,DCNv2アーキテクチャに対する3つの重要なアルゴリズム的改良点を紹介する。 DCN^2と呼ばれる拡張アーキテクチャは、ライブレコメンデーションシステムで活発に使われ、オフラインとオンラインの両方で、DCNv2よりもパフォーマンスの高いさまざまなユースケースで毎秒0.5億以上の予測を処理します。 これらの改善は、クロス層の情報損失、学習可能なルックアップレベルの重みによる衝突の暗黙の管理、FFMの振る舞いをエミュレートするカスタムレイヤとのペアワイズ類似性の明示的なモデリングなど、DCNv2で観測される重要な制限に効果的に対処する。 DCN^2の優れた性能は4つの公開ベンチマークデータセットでも実証されている。

関連論文リスト

• Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction [52.32698071488864]
  非常に大きな3DメッシュのCFD問題を効率的に解く新しいアーキテクチャであるFactized Implicit Global Convolution (FIGConv)を提案する。 FIGConvは、既存の3DニューラルCFDモデルよりも大幅に改善された2次複雑性の$O(N2)$を達成する。 業界標準のAhmedボディデータセットと大規模DrivAerNetデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2025-02-06T18:57:57Z)
• VICON: Vision In-Context Operator Networks for Multi-Physics Fluid Dynamics Prediction [21.061630022134203]
  In-Context Operator Networks (ICONs) は、少数ショットのインコンテキスト学習を用いて様々な偏微分方程式の演算子を学習する。 既存のICONは各空間点を個々のトークンとして処理し、高次元の高密度データを処理する際に計算効率を著しく制限する。 本稿では,ビジョントランスフォーマーアーキテクチャを統合し,パッチワイズ操作による2次元データの効率的な処理を行うビジョン・イン・コンテキスト・オペレーター・ネットワーク(VICON)を提案する。
  論文  参考訳（メタデータ） (2024-11-25T03:25:17Z)
• FCN: Fusing Exponential and Linear Cross Network for Click-Through Rate Prediction [17.19859591493946]
  本稿では,Linear Cross Network (LCN) とExponential Cross Network (ECN) の2つのサブネットワークとともに,Fusing Cross Network (FCN) と呼ばれる新しいモデルを提案する。 FCNは、線形成長と指数成長の両方の機能的相互作用を明示的に捉え、暗黙のDNNに依存する必要をなくす。 6つのベンチマークデータセット上で,FCNの有効性,効率,解釈性を評価する。
  論文  参考訳（メタデータ） (2024-07-18T09:49:13Z)
• BDC-Occ: Binarized Deep Convolution Unit For Binarized Occupancy Network [55.21288428359509]
  既存の3D占有ネットワークは重要なハードウェアリソースを必要としており、エッジデバイスの配備を妨げている。 本稿では,バイナライズド・ディープ・コンボリューション(BDC)ユニットを提案し,バイナライズド・ディープ・コンボリューション・レイヤの数を増やしつつ性能を効果的に向上させる。 我々のBDC-Occモデルは既存の3D占有ネットワークをバイナライズするために提案したBDCユニットを適用して作成する。
  論文  参考訳（メタデータ） (2024-05-27T10:44:05Z)
• Efficient Deformable ConvNets: Rethinking Dynamic and Sparse Operator for Vision Applications [108.44482683870888]
  Deformable Convolution v4 (DCNv4) は、広帯域の視覚アプリケーション向けに設計された、高効率で効率的な演算子である。 DCNv4は、前任のDCNv3の制限に対処し、2つの重要な拡張を加えた。 画像分類、インスタンスとセマンティックセグメンテーション、特に画像生成など、様々なタスクで例外的なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-01-11T14:53:24Z)
• AMT: All-Pairs Multi-Field Transforms for Efficient Frame Interpolation [80.33846577924363]
  ビデオフレームギスブのための新しいネットワークアーキテクチャであるAMT(All-Pairs Multi-Field Transforms)を提案する。 まず、すべての画素に対して双方向のボリュームを構築し、予測された両側フローを用いて相関関係を検索する。 第2に、入力フレーム上で逆向きのワープを行うために、一対の更新された粗い流れから細粒度の流れ場の複数のグループを導出する。
  論文  参考訳（メタデータ） (2023-04-19T16:18:47Z)
• Neural Attentive Circuits [93.95502541529115]
  我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。 NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。 NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
  論文  参考訳（メタデータ） (2022-10-14T18:00:07Z)
• DCN V2: Improved Deep & Cross Network and Practical Lessons for Web-scale Learning to Rank Systems [15.398542784403604]
  Deep & Cross Network (DCN) は、境界度予測機能相互作用を自動かつ効率的に学習するために提案されている。 大規模産業環境でDCNをより実用的なものにするために,DCN-V2の改良フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-19T20:33:02Z)
• NSGANetV2: Evolutionary Multi-Objective Surrogate-Assisted Neural Architecture Search [22.848528877480796]
  複数の競合対象下で競合するタスク固有モデルを生成するための効率的なNASアルゴリズムを提案する。 2つのサロゲートで構成され、1つはサンプル効率を改善するためにアーキテクチャレベルで、1つはスーパーネットを介して重量レベルで、勾配降下訓練効率を改善する。 提案手法の有効性と汎用性を6つの非標準データセットで示す。
  論文  参考訳（メタデータ） (2020-07-20T18:30:11Z)
• Searching Central Difference Convolutional Networks for Face Anti-Spoofing [68.77468465774267]
  顔認識システムにおいて、顔の反偽造(FAS)が重要な役割を担っている。 最先端のFASメソッドの多くは、スタック化された畳み込みと専門家が設計したネットワークに依存している。 ここでは、中央差分畳み込み(CDC)に基づくフレームレベルの新しいFAS手法を提案する。
  論文  参考訳（メタデータ） (2020-03-09T12:48:37Z)

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。