論文の概要: DGenCTR: Towards a Universal Generative Paradigm for Click-Through Rate Prediction via Discrete Diffusion

• arxiv url: http://arxiv.org/abs/2508.14500v2
• Date: Wed, 27 Aug 2025 04:19:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 12:43:57.46407
• Title: DGenCTR: Towards a Universal Generative Paradigm for Click-Through Rate Prediction via Discrete Diffusion
• Title（参考訳）: DGenCTR:離散拡散によるクリックスルーレート予測のためのユニバーサル生成パラダイムを目指して
• Authors: Moyu Zhang, Yun Chen, Yujun Jin, Jinxin Hu, Yu Zhang,
• Abstract要約: 離散拡散に基づく2段階CTRトレーニングフレームワーク(DGenCTR)を提案する。 本発明の2段階のフレームワークは、拡散ベースの生成前訓練段階と、CTRのためのCTRを標的とした微調整段階とを含む。
• 参考スコア（独自算出の注目度）: 6.189010741030871
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in generative models have inspired the field of recommender systems to explore generative approaches, but most existing research focuses on sequence generation, a paradigm ill-suited for click-through rate (CTR) prediction. CTR models critically depend on a large number of cross-features between the target item and the user to estimate the probability of clicking on the item, and discarding these cross-features will significantly impair model performance. Therefore, to harness the ability of generative models to understand data distributions and thereby alleviate the constraints of traditional discriminative models in label-scarce space, diverging from the item-generation paradigm of sequence generation methods, we propose a novel sample-level generation paradigm specifically designed for the CTR task: a two-stage Discrete Diffusion-Based Generative CTR training framework (DGenCTR). This two-stage framework comprises a diffusion-based generative pre-training stage and a CTR-targeted supervised fine-tuning stage for CTR. Finally, extensive offline experiments and online A/B testing conclusively validate the effectiveness of our framework.
• Abstract（参考訳）: 生成モデルの最近の進歩は、生成的アプローチを探求するレコメンデータシステムの分野に影響を与えたが、既存の研究は、クリックスルー率(CTR)予測に適さないパラダイムであるシーケンス生成に焦点を当てている。 CTRモデルは、ターゲットアイテムとユーザ間の多数のクロス機能に依存して、アイテムをクリックする確率を推定し、これらのクロス機能を捨てると、モデル性能が著しく低下する。 そこで,CTRタスクに特化して設計された2段階離散拡散型CTRトレーニングフレームワーク(DGenCTR)を提案する。 本発明の2段階のフレームワークは、拡散ベースの生成前訓練段階と、CTRのためのCTRを標的とした微調整段階とを含む。 最後に、大規模なオフライン実験とオンラインA/Bテストにより、我々のフレームワークの有効性を確定的に検証した。

関連論文リスト

• Learnable Chernoff Baselines for Inference-Time Alignment [64.81256817158851]
  本稿では,指数関数的に傾いたカーネルから効率よく,およそサンプリングする方法として,Learnerable Chernoff Baselinesを紹介した。 理想的なモデルに対する全変量保証を確立し、LCBサンプリングが理想的拒絶サンプリングと密接に一致するような連続的および離散的な拡散設定を実証する。
  論文  参考訳（メタデータ） (2026-02-08T00:09:40Z)
• From Feature Interaction to Feature Generation: A Generative Paradigm of CTR Prediction Models [81.43473418572567]
  CTR(Click-Through Rate)予測は、レコメンデーションシステムにおける中核的なタスクである。 本稿では,埋め込み次元の崩壊と情報冗長性に対処する新しい生成フレームワークを提案する。 SFGは埋没崩壊を緩和し,情報冗長性を低減し,性能向上を図っている。
  論文  参考訳（メタデータ） (2025-12-16T03:17:18Z)
• Infer As You Train: A Symmetric Paradigm of Masked Generative for Click-Through Rate Prediction [9.542597285477683]
  生成モデルはクリックスルー率(CTR)予測の分野でますます研究されている。 既存の生成モデルは通常、生成パラダイムをトレーニングフェーズに限定する。 CTR予測のための対称マスク生成パラダイム(SGCTR)を提案する。 SGCTRは、オンライン推論中に生成能力を応用して、入力サンプルの特徴を反復的に緩和する。
  論文  参考訳（メタデータ） (2025-11-18T12:07:56Z)
• MATT-CTR: Unleashing a Model-Agnostic Test-Time Paradigm for CTR Prediction with Confidence-Guided Inference Paths [9.542597285477683]
  我々は,訓練されたCTRモデルの予測可能性を解き放つために,モデル非依存テスト時間パラダイム(MATT)を提案する。 特徴組合せの信頼性を定量化するために,階層的確率的ハッシュ法を導入する。 我々は,複数の経路から繰り返しサンプリングを行い,予測スコアを集約し,頑健な予測を行う。
  論文  参考訳（メタデータ） (2025-10-10T02:22:55Z)
• STEP: Structured Training and Evaluation Platform for benchmarking trajectory prediction models [7.927039780654076]
  複数のデータセットに統一されたインターフェースを提供することで制限に対処する新しいベンチマークフレームワークであるSTEPを紹介します。 筆者らは,1)広く利用されている試験手順の限界,2) 相互作用予測のためのエージェントの協調モデリングの重要性,3) 分散シフトおよび敵エージェントによる標的攻撃に対する現在の最先端モデルの脆弱性を明らかにする実験でSTEPの能力を実証した。
  論文  参考訳（メタデータ） (2025-09-18T09:56:16Z)
• Generative Click-through Rate Prediction with Applications to Search Advertising [6.555660969349762]
  識別モデルにおけるCTR予測の精度を高めるために生成モデルを利用する新しいモデルを提案する。 提案手法の有効性は,新しいデータセットに対する広範囲な実験を通じて実証される。 このモデルは、世界最大のeコマースプラットフォームのひとつにデプロイされている。
  論文  参考訳（メタデータ） (2025-07-15T12:21:30Z)
• Feature Staleness Aware Incremental Learning for CTR Prediction [18.810404607032297]
  CTR予測モデルの特徴埋め込みは、現在のインクリメンタルデータに対応する機能が現れない場合、しばしば停滞する。 静的な特徴を含むサンプルを適応的に再生するCTR予測(FeSAIL)のための特徴安定度認識インクリメンタルラーニング手法を提案する。 FeSAILは4つのベンチマークデータセットで様々な最先端のメソッドより優れている。
  論文  参考訳（メタデータ） (2025-04-29T09:05:47Z)
• Toward Guidance-Free AR Visual Generation via Condition Contrastive Alignment [31.402736873762418]
  言語モデルアライメント手法により,高機能な誘導不要なAR視覚生成を容易にするためのテキストコンディションコントラストアライメント(CCA)を提案する。 実験の結果,CCAは1つのエポック微調整で全試験モデルの誘導不要性能を著しく向上させることができることがわかった。 このことは,言語的アライメントと視覚的アライメントの強い関係を実験的に確認する。
  論文  参考訳（メタデータ） (2024-10-12T03:31:25Z)
• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• Calibration of Time-Series Forecasting: Detecting and Adapting Context-Driven Distribution Shift [28.73747033245012]
  本稿では,コンテキスト駆動分布シフトの検出と適応のための普遍的キャリブレーション手法を提案する。 レジデンシャルベースCDS検出器(Residual-based CDS detector)またはリコンディショナー(Reconditionor)と呼ばれる新しいCDS検出器は、モデルの脆弱性をCDSに定量化する。 高いリコンディショナースコアは、重度の感受性を示し、したがってモデル適応を必要とする。
  論文  参考訳（メタデータ） (2023-10-23T11:58:01Z)
• RanPAC: Random Projections and Pre-trained Models for Continual Learning [59.07316955610658]
  継続学習(CL)は、古いタスクを忘れずに、非定常データストリームで異なるタスク(分類など)を学習することを目的としている。 本稿では,事前学習モデルを用いたCLの簡潔かつ効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-05T12:49:02Z)
• Enhancing Few-shot NER with Prompt Ordering based Data Augmentation [59.69108119752584]
  本稿では,PODA(Prompt Ordering Based Data Augmentation)手法を提案する。 3つのパブリックNERデータセットの実験結果とさらなる分析により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-19T16:25:43Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Overcoming Mode Collapse with Adaptive Multi Adversarial Training [5.09817514580101]
  GAN(Generative Adversarial Networks)は、様々なアプリケーションで使用される生成モデルのクラスである。 GANは、ターゲット分布のいくつかのモードがジェネレータによって無視されるモード崩壊問題に悩まされていることが知られている。 本稿では,従来の世代形態を記憶するために,新たな差別者を適応的に生成する新たな訓練手法を提案する。
  論文  参考訳（メタデータ） (2021-12-29T05:57:55Z)

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。