論文の概要: Multi-Granularity Distribution Modeling for Video Watch Time Prediction via Exponential-Gaussian Mixture Network
- arxiv url: http://arxiv.org/abs/2508.12665v1
- Date: Mon, 18 Aug 2025 06:56:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:11.043975
- Title: Multi-Granularity Distribution Modeling for Video Watch Time Prediction via Exponential-Gaussian Mixture Network
- Title（参考訳）: 指数-ガウス混合ネットワークを用いたビデオ視聴時間予測のための多粒度分布モデル
- Authors: Xu Zhao, Ruibo Ma, Jiaqi Chen, Weiqi Zhao, Ping Yang, Yao Hu,
- Abstract要約: EGMN(Exponential-Gaussian Mixture Network)は,EGM分布のパラメータ化のために提案される。
EGMNは粗粒度から細粒度まで優れた分布適合性を示す。
- 参考スコア（独自算出の注目度）: 31.428173036982216
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate watch time prediction is crucial for enhancing user engagement in streaming short-video platforms, although it is challenged by complex distribution characteristics across multi-granularity levels. Through systematic analysis of real-world industrial data, we uncover two critical challenges in watch time prediction from a distribution aspect: (1) coarse-grained skewness induced by a significant concentration of quick-skips1, (2) fine-grained diversity arising from various user-video interaction patterns. Consequently, we assume that the watch time follows the Exponential-Gaussian Mixture (EGM) distribution, where the exponential and Gaussian components respectively characterize the skewness and diversity. Accordingly, an Exponential-Gaussian Mixture Network (EGMN) is proposed for the parameterization of EGM distribution, which consists of two key modules: a hidden representation encoder and a mixture parameter generator. We conducted extensive offline experiments on public datasets and online A/B tests on the industrial short-video feeding scenario of Xiaohongshu App to validate the superiority of EGMN compared with existing state-of-the-art methods. Remarkably, comprehensive experimental results have proven that EGMN exhibits excellent distribution fitting ability across coarse-to-fine-grained levels. We open source related code on Github: https://github.com/BestActionNow/EGMN.
- Abstract（参考訳）: ストリーミングショートビデオプラットフォームにおけるユーザエンゲージメントを高めるためには,正確なウォッチタイム予測が不可欠である。
実世界の産業データのシステマティック分析により,(1)クイックスキップ1の顕著な濃度による粗粒度スキューネス,(2)様々なユーザ・ビデオインタラクションパターンから生じるきめ細粒度多様性の2つの重要な課題を明らかにした。
その結果,指数成分とガウス成分のそれぞれが歪と多様性を特徴づける指数-ガウス混合(EGM)分布に則った時計時間を仮定した。
そこで,EGMN(Exponential-Gaussian Mixture Network, Exponential-Gaussian Mixture Network)は,隠れ表現エンコーダと混合パラメータ生成器の2つの主要なモジュールからなるEGM分布のパラメータ化について提案する。
我々は、Xiaohongshu Appの産業用ショートビデオ配信シナリオに関する公開データセットとオンラインA/Bテストに関する大規模なオフライン実験を行い、既存の最先端手法と比較してEGMNの優位性を検証した。
興味深いことに、総合的な実験結果から、EGMNは粗粒度から細粒度レベルにわたって優れた分布適合性を示すことが証明されている。
私たちはGithubで関連するコードをオープンソースにしています。
関連論文リスト
- Multi-View Oriented GPLVM: Expressiveness and Efficiency [8.459922325396155]
スペクトル密度とカーネル関数の新たな双対性を導入する。
MV-GPLVMに対して、NG-SM(Next-Gen Spectral Mixture)と呼ばれる汎用的で表現力のあるカーネルを導出する。
提案手法は,有意な潜在表現を学習する際の最先端モデルよりも一貫して優れる。
論文 参考訳（メタデータ） (2025-02-12T09:49:25Z) - MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。
予測性能を高めるために3段階の相関を同時に検討する。
注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文 参考訳（メタデータ） (2024-05-30T03:32:44Z) - GCEPNet: Graph Convolution-Enhanced Expectation Propagation for Massive MIMO Detection [5.714553194279462]
実数値系をグラフ上のスペクトル信号畳み込みとしてモデル化し,未知変数間の相関を捉えることができることを示す。
このような分析に基づいて,より優れた一般化能力を有するグラフ畳み込み型予測伝搬(GCEPNet)を提案する。
論文 参考訳（メタデータ） (2024-04-23T10:13:39Z) - Deep Generative Sampling in the Dual Divergence Space: A Data-efficient & Interpretative Approach for Generative AI [29.13807697733638]
自然画像の生成的サンプリングにおける顕著な成果の上に構築する。
我々は、画像に似たサンプルを生成するという、画期的な挑戦を、潜在的に過度に野心的に提案する。
統計上の課題は、小さなサンプルサイズであり、時には数百人の被験者で構成されている。
論文 参考訳（メタデータ） (2024-04-10T22:35:06Z) - GraphMETRO: Mitigating Complex Graph Distribution Shifts via Mixture of Aligned Experts [75.51612253852002]
GraphMETROは、自然多様性をモデル化し、複雑な分散シフトをキャプチャするグラフニューラルネットワークアーキテクチャである。
GraphMETROはGOODベンチマークから4つのデータセットに対して最先端の結果を得る。
論文 参考訳（メタデータ） (2023-12-07T20:56:07Z) - Generalized Mixture Model for Extreme Events Forecasting in Time Series
Data [10.542258423966492]
時系列予測(TSF)は、天気予報、交通制御、株価予測など幅広い分野で広く研究されているトピックである。
時系列における極端な値は、しばしば人間と自然のシステムに大きな影響を及ぼすが、それらの稀な発生のために予測することは困難である。
本稿では,極端事象に着目した新たなフレームワークを提案する。具体的には,時系列予測のためのDeep Extreme Mixture Model with Autoencoder (DEMMA)を提案する。
論文 参考訳（メタデータ） (2023-10-11T12:36:42Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2023-01-08T12:20:46Z) - Gaussian Mixture Graphical Lasso with Application to Edge Detection in
Brain Networks [21.49394455839253]
この作品はLatent DirichletAllocation (LDA)にインスパイアされたものです。
GaussianMixture Graphical Lasso (MGL) という新しいモデルを提案する。
mglは、各混合成分が生成する信号の比率とそれらのパラメータをemフレームワークを介して反復的に学習する。
論文 参考訳（メタデータ） (2021-01-13T21:15:30Z) - GANs with Variational Entropy Regularizers: Applications in Mitigating
the Mode-Collapse Issue [95.23775347605923]
深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。
GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。
情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
論文 参考訳（メタデータ） (2020-09-24T19:34:37Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z) - Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。
我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
論文 参考訳（メタデータ） (2019-12-30T17:36:33Z)
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。