Fugu-MT 論文翻訳(概要): Practical Multi-Task Learning for Rare Conversions in Ad Tech

論文の概要: Practical Multi-Task Learning for Rare Conversions in Ad Tech

arxiv url: http://arxiv.org/abs/2507.20161v1
Date: Sun, 27 Jul 2025 07:28:27 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-29 16:23:57.161472
Title: Practical Multi-Task Learning for Rare Conversions in Ad Tech
Title（参考訳）: 広告技術におけるレア変換のための実践的マルチタスク学習
Authors: Yuval Dishi, Ophir Friedler, Yonatan Karni, Natalia Silberstein, Yulia Stolin,
Abstract要約: モデルは、すべての信号の共有表現を学習し、各タイプの個別のタスクタワーを通して専門化する。このアプローチはテストされ、本番環境に完全にデプロイされ、オフライン(0.69%のAUCリフト)とオンラインパフォーマンス指標(2%のアクション毎のコスト削減)の両方で一貫した改善が示された。
参考スコア（独自算出の注目度）: 0.7839338724237275
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a Multi-Task Learning (MTL) approach for improving predictions for rare (e.g., <1%) conversion events in online advertising. The conversions are classified into "rare" or "frequent" types based on historical statistics. The model learns shared representations across all signals while specializing through separate task towers for each type. The approach was tested and fully deployed to production, demonstrating consistent improvements in both offline (0.69% AUC lift) and online KPI performance metric (2% Cost per Action reduction).
Abstract（参考訳）: オンライン広告におけるレアな (例: <1%) 変換イベントの予測を改善するために,Multi-Task Learning (MTL) アプローチを提案する。変換は、歴史的統計に基づいて「まれ」または「頻繁」に分類される。モデルは、すべての信号の共有表現を学習し、各タイプの個別のタスクタワーを通して専門化する。このアプローチはテストされ、本番環境に完全にデプロイされ、オフライン(0.69%のAUCリフト)とオンラインKPIパフォーマンスメトリック(2%のコスト・パー・アクション・リダクション)の両方で一貫した改善が示された。

関連論文リスト

Pilot: Building the Federated Multimodal Instruction Tuning Framework [79.56362403673354]
本フレームワークは、視覚エンコーダとLCMのコネクタに「アダプタのアダプタ」の2つの段階を統合する。ステージ1では視覚情報からタスク固有の特徴とクライアント固有の特徴を抽出する。ステージ2では、クロスタスクインタラクションを実行するために、クロスタスクMixture-of-Adapters(CT-MoA)モジュールを構築します。
論文参考訳（メタデータ） (2025-01-23T07:49:24Z)
Pairwise Ranking Loss for Multi-Task Learning in Recommender Systems [8.824514065551865]
オンライン広告システムでは、Click-Through Rate (CTR) や Conversion Rate (CVR) といったタスクが同時に MTL 問題として扱われることが多い。本研究では,変換に対応する露光ラベルを決定指標とみなす。モデル予測間でのtextbfairtextbfwise textbf ranking(PWiseR)損失を計算し、タスク固有の損失を新たに導入する。
論文参考訳（メタデータ） (2024-06-04T09:52:41Z)
XTrack: Multimodal Training Boosts RGB-X Video Object Trackers [88.72203975896558]
マルチモーダルセンシングから得られる知識を効果的に共有することが重要である。異なるモダリティにまたがる類似のサンプルは、他のものよりも多くの知識を共有できる。提案手法は,現在のSOTAよりも平均+3%精度が向上したRGB-Xトラッカーである。
論文参考訳（メタデータ） (2024-05-28T03:00:58Z)
Enhancing Visual Continual Learning with Language-Guided Supervision [76.38481740848434]
継続的な学習は、モデルが以前獲得した知識を忘れずに新しいタスクを学習できるようにすることを目的としている。ワンホットラベルが伝達する少ない意味情報は,タスク間の効果的な知識伝達を妨げている,と我々は主張する。具体的には, PLM を用いて各クラスのセマンティックターゲットを生成し, 凍結し, 監視信号として機能する。
論文参考訳（メタデータ） (2024-03-24T12:41:58Z)
Crowd-Certain: Label Aggregation in Crowdsourced and Ensemble Learning Classification [0.0]
クラウドソースおよびアンサンブル学習分類タスクにおけるラベルアグリゲーションのための新しいアプローチであるCrowd-Certainを紹介する。提案手法は,アノテータと訓練された分類器の整合性を利用して,各アノテータの信頼性スコアを決定する。我々は10の異なるデータセットにまたがる10の既存手法に対するアプローチを広範囲に評価し、それぞれに異なる数のアノテータをラベル付けした。
論文参考訳（メタデータ） (2023-10-25T01:58:37Z)
An Analysis Of Entire Space Multi-Task Models For Post-Click Conversion Prediction [3.2979460528864926]
大規模広告プラットフォーム上でのモバイルアプリ広告におけるポストクリック変換イベント(インストール)の確率を近似することを検討する。 CTRタスクからCVRタスクへ、いくつかの異なるアプローチが、同様のポジティブなレベルの移行をもたらすことを示す。我々の発見は、マルチタスク学習が現実世界の大規模アプリケーションで関連するイベントをモデル化する上で、合理的なアプローチであることを示す証拠が増えていることを示唆している。
論文参考訳（メタデータ） (2021-08-18T13:39:50Z)
Visual Transformer for Task-aware Active Learning [49.903358393660724]
プールベースのアクティブラーニングのための新しいパイプラインを提案する。提案手法は,学習中に使用可能なアンラベリング例を利用して,ラベル付き例との相関関係を推定する。ビジュアルトランスフォーマーは、ラベル付き例と非ラベル付き例の間の非ローカルビジュアル概念依存性をモデル化する。
論文参考訳（メタデータ） (2021-06-07T17:13:59Z)
Improving Calibration for Long-Tailed Recognition [68.32848696795519]
このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
論文参考訳（メタデータ） (2021-04-01T13:55:21Z)
DiVA: Diverse Visual Feature Aggregation for Deep Metric Learning [83.48587570246231]
視覚的類似性は多くのコンピュータビジョンアプリケーションにおいて重要な役割を果たす。ディープ・メトリック・ラーニング(DML)は、そのような類似性を学ぶための強力なフレームワークである。我々は,概念的に異なるデータ関係を対象とする複数の補完学習タスクを提案し,研究する。我々は、訓練信号を集約する単一モデルを学び、その結果、強力な一般化と最先端のパフォーマンスが得られる。
論文参考訳（メタデータ） (2020-04-28T12:26:50Z)
Interpretable Deep Learning Model for Online Multi-touch Attribution [14.62385029537631]
本稿では,深層学習モデルとオンラインマルチタッチ属性の解釈のための付加的特徴説明モデルを組み合わせたDeepMTAという新しいモデルを提案する。 MTAの最初の解釈可能なディープラーニングモデルとして、DeepMTAは、顧客ジャーニーにおける3つの重要な特徴について検討している。実データセットの評価は、提案した変換予測モデルが91%の精度を達成することを示している。
論文参考訳（メタデータ） (2020-03-26T23:21:40Z)

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。