論文の概要: See Beyond a Single View: Multi-Attribution Learning Leads to Better Conversion Rate Prediction

• arxiv url: http://arxiv.org/abs/2508.15217v1
• Date: Thu, 21 Aug 2025 04:05:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.175087
• Title: See Beyond a Single View: Multi-Attribution Learning Leads to Better Conversion Rate Prediction
• Title（参考訳）: 単一視点を超えて見る: マルチ属性学習は変換率予測を改善する
• Authors: Sishuo Chen, Zhangming Chan, Xiang-Rong Sheng, Lei Zhang, Sheng Chen, Chenghuan Hou, Han Zhu, Jian Xu, Bo Zheng,
• Abstract要約: コンバージョンレート(CVR)予測はオンライン広告システムの中核的な要素である。 従来のアプローチでは、単一の生産クリティカルな属性メカニズムからラベルへのモデルトレーニングが制限されていた。 本稿では,CVR予測のための新しい多属性学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 30.31722186766052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conversion rate (CVR) prediction is a core component of online advertising systems, where the attribution mechanisms-rules for allocating conversion credit across user touchpoints-fundamentally determine label generation and model optimization. While many industrial platforms support diverse attribution mechanisms (e.g., First-Click, Last-Click, Linear, and Data-Driven Multi-Touch Attribution), conventional approaches restrict model training to labels from a single production-critical attribution mechanism, discarding complementary signals in alternative attribution perspectives. To address this limitation, we propose a novel Multi-Attribution Learning (MAL) framework for CVR prediction that integrates signals from multiple attribution perspectives to better capture the underlying patterns driving user conversions. Specifically, MAL is a joint learning framework consisting of two core components: the Attribution Knowledge Aggregator (AKA) and the Primary Target Predictor (PTP). AKA is implemented as a multi-task learner that integrates knowledge extracted from diverse attribution labels. PTP, in contrast, focuses on the task of generating well-calibrated conversion probabilities that align with the system-optimized attribution metric (e.g., CVR under the Last-Click attribution), ensuring direct compatibility with industrial deployment requirements. Additionally, we propose CAT, a novel training strategy that leverages the Cartesian product of all attribution label combinations to generate enriched supervision signals. This design substantially enhances the performance of the attribution knowledge aggregator. Empirical evaluations demonstrate the superiority of MAL over single-attribution learning baselines, achieving +0.51% GAUC improvement on offline metrics. Online experiments demonstrate that MAL achieved a +2.6% increase in ROI (Return on Investment).
• Abstract（参考訳）: コンバージョンレート(CVR)予測はオンライン広告システムの中核的な要素であり、ユーザのタッチポイント間で変換クレジットを割り当てる属性メカニズムルールがラベル生成とモデル最適化を基礎的に決定する。 多くの産業プラットフォームは、様々な属性メカニズム(例えば、First-Click、Last-Click、Linear、Data-Driven Multi-Touch Attribution)をサポートしているが、従来のアプローチでは、モデルトレーニングを単一の生産クリティカルな属性メカニズムからラベルに制限し、代替属性の観点から補完的な信号を捨てている。 この制限に対処するために,CVR予測のための新しいマルチ属性学習(MAL)フレームワークを提案する。 具体的には、MALは、Attribution Knowledge Aggregator (AKA) と First Target Predictor (PTP) の2つのコアコンポーネントからなる共同学習フレームワークである。 ATAは多様な属性ラベルから抽出した知識を統合するマルチタスク学習システムとして実装されている。 対照的に、PTPは、システム最適化属性メトリック(例えば、Last-Click属性の下でのCVR)と整合し、産業展開要求との直接的な互換性を確保する、よく校正された変換確率を生成するタスクに焦点を当てている。 さらに,すべての属性ラベルの組み合わせのCartesian積を利用して,リッチな監視信号を生成する新たなトレーニング戦略であるCATを提案する。 この設計は属性知識集約器の性能を大幅に向上させる。 実験的な評価は、単一属性学習ベースラインよりもMALの方が優れており、オフラインメトリクスのGAUCが0.51%向上していることを示している。 オンライン実験では、MALはROI(Return on Investment)が+2.6%増加した。

関連論文リスト

• Intrinsic Training Signals for Federated Learning Aggregation [10.532838477096055]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散クライアント間で協調的なモデルトレーニングを可能にする。 この研究は、既存のトレーニング信号だけで効果的なモデルマージが達成できることを実証している。
  論文  参考訳（メタデータ） (2025-07-09T13:03:23Z)
• Learning Item Representations Directly from Multimodal Features for Effective Recommendation [51.49251689107541]
  マルチモーダルレコメンデータシステムは、主にベイズパーソナライズされたランク付け(BPR)最適化を利用してアイテム表現を学習する。 本稿では,マルチモーダルな特徴からアイテム表現を直接学習し,推薦性能を向上する新しいモデル(LIRDRec)を提案する。
  論文  参考訳（メタデータ） (2025-05-08T05:42:22Z)
• Enhancing Customer Churn Prediction in Telecommunications: An Adaptive Ensemble Learning Approach [0.0]
  本稿では,高精度な顧客チャーン予測のための適応型アンサンブル学習フレームワークを提案する。 このフレームワークは、XGBoost、LightGBM、LSTM、Multi-Layer Perceptron(MLP)ニューラルネットワーク、Support Vector Machine(SVM)など、複数のベースモデルを統合する。 この研究は99.28%の精度を達成し、チャーン予測の大きな進歩を示している。
  論文  参考訳（メタデータ） (2024-08-29T06:27:42Z)
• USER: Unified Semantic Enhancement with Momentum Contrast for Image-Text Retrieval [115.28586222748478]
  Image-Text Retrieval (ITR) は、与えられたクエリに意味のあるターゲットインスタンスを、他のモダリティから検索することを目的としている。 既存のアプローチは通常、2つの大きな制限に悩まされる。
  論文  参考訳（メタデータ） (2023-01-17T12:42:58Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)
• VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
  本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。 具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。 当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
  論文  参考訳（メタデータ） (2022-05-31T17:45:30Z)
• CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification [11.894289991529496]
  少数のラベル付きサンプルを与えられた未確認のクラスに適応できるモデルを学ぶことを目的としている。 最近のアプローチでは、特徴抽出器を事前訓練し、その後、エピソードなメタラーニングのための微調整を行う。 本研究は, 複数ショットの分類において, 横断的および再重み付き識別機能を実現するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T06:14:51Z)
• Creating Training Sets via Weak Indirect Supervision [66.77795318313372]
  Weak Supervision (WS)フレームワークは、複数の潜在的にノイズの多い監督ソースからトレーニングラベルを合成する。 Weak Indirect Supervision (WIS) は、トレーニングラベルの自動合成のための新しい研究課題である。 我々は,ユーザが提供するラベル関係を利用して間接的な監督源をモデル化し活用する確率論的モデリング手法PLRMを開発した。
  論文  参考訳（メタデータ） (2021-10-07T14:09:35Z)
• Adaptive Consistency Regularization for Semi-Supervised Transfer Learning [31.66745229673066]
  我々は,半教師付き学習と移動学習を共同で検討し,より実践的で競争的なパラダイムへと導いた。 事前学習した重みとラベルなしの目標サンプルの両方の価値をよりよく活用するために、適応整合正則化を導入する。 提案手法は,Pseudo Label,Mean Teacher,MixMatchといった,最先端の半教師付き学習技術より優れた適応整合性正規化を実現する。
  論文  参考訳（メタデータ） (2021-03-03T05:46:39Z)

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。