論文の概要: ORCA: Mitigating Over-Reliance for Multi-Task Dwell Time Prediction with Causal Decoupling

• arxiv url: http://arxiv.org/abs/2508.16573v1
• Date: Fri, 22 Aug 2025 17:56:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.481039
• Title: ORCA: Mitigating Over-Reliance for Multi-Task Dwell Time Prediction with Causal Decoupling
• Title（参考訳）: ORCA:因果疎結合を用いたマルチタスクドウェル時間予測における過度信頼の軽減
• Authors: Huishi Luo, Fuzhen Zhuang, Yongchun Zhu, Yiqing Wu, Bo Kang, Ruobing Xie, Feng Xia, Deqing Wang, Jin Dong,
• Abstract要約: マルチタスク学習モデルはDT予測を最も短く長いビンに崩壊させ、適度な期間を過小評価する。 我々は、因果疎結合でこの問題に対処するORCAを提案する。 実験では、CTRを傷つけることなくDT測定値が平均10.6%上昇した。
• 参考スコア（独自算出の注目度）: 47.149123258330036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dwell time (DT) is a critical post-click metric for evaluating user preference in recommender systems, complementing the traditional click-through rate (CTR). Although multi-task learning is widely adopted to jointly optimize DT and CTR, we observe that multi-task models systematically collapse their DT predictions to the shortest and longest bins, under-predicting the moderate durations. We attribute this moderate-duration bin under-representation to over-reliance on the CTR-DT spurious correlation, and propose ORCA to address it with causal-decoupling. Specifically, ORCA explicitly models and subtracts CTR's negative transfer while preserving its positive transfer. We further introduce (i) feature-level counterfactual intervention, and (ii) a task-interaction module with instance inverse-weighting, weakening CTR-mediated effect and restoring direct DT semantics. ORCA is model-agnostic and easy to deploy. Experiments show an average 10.6% lift in DT metrics without harming CTR. Code is available at https://github.com/Chrissie-Law/ORCA-Mitigating-Over-Reliance-for-Multi-Task-Dwell-Time-Prediction-w ith-Causal-Decoupling.
• Abstract（参考訳）: Dwell Time(DT)は、従来のクリックスルーレート(CTR)を補完するレコメンデータシステムにおいて、ユーザの好みを評価するための重要なポストクリックメトリックである。 マルチタスク学習はDTとCTRを協調的に最適化するために広く採用されているが、マルチタスクモデルはDT予測を最も短く長いビンに体系的に崩壊させ、適度な期間を過小評価する。 我々は,CTR-DTのスプリアス相関を過度に考慮し,因果解離に対処するためにORCAを提案する。 具体的には、ORCAはCTRの負の転移を明示的にモデル化し、その正の転移を保存する。 さらに紹介する 一 機能レベルの反事実的介入、及び i) タスク・インタラクション・モジュールで、インスタンスの逆重み付け、CTRによる効果の弱め、直接DTセマンティクスの復元を行う。 ORCAはモデルに依存しず、デプロイが容易です。 実験では、CTRを傷つけることなくDT測定値が平均10.6%上昇した。 コードはhttps://github.com/Chrissie-Law/ORCA-Mitigating-Over-Reliance-for-Multi-Task-Dwell-Time-Prediction-w ith-Causal-Decouplingで公開されている。

関連論文リスト

• 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)
• Utilizing Multimodal Data for Edge Case Robust Call-sign Recognition and Understanding [65.55175502273013]
  アーキテクチャの堅牢性は、特にエッジケースでは明らかです。 マルチモーダルコールサインコマンドリカバリモデル(CCR)を提案する。 CCRアーキテクチャは、エッジケースのパフォーマンスを最大15%向上させる。
  論文  参考訳（メタデータ） (2024-12-29T13:45:11Z)
• Solving Continual Offline Reinforcement Learning with Decision Transformer [78.59473797783673]
  連続的オフライン強化学習(CORL)は、連続的およびオフライン的な強化学習を組み合わせたものである。 Actor-Critic構造とエクスペリエンス・リプレイ(ER)を取り入れた既存の手法は、分散シフト、低効率、知識共有の弱さに悩まされている。 我々は,マルチヘッドDT (MH-DT) とローランク適応DT (LoRA-DT) を導入し,DTの無視問題を緩和する。
  論文  参考訳（メタデータ） (2024-01-16T16:28:32Z)
• Always Strengthen Your Strengths: A Drift-Aware Incremental Learning Framework for CTR Prediction [4.909628097144909]
  クリックスルー率(CTR)予測はレコメンデーションシステムやオンライン広告プラットフォームにおいて非常に重要である。 ストリーミングデータには、基礎となる分布が時間とともにドリフトし、再帰する可能性があるという特徴がある。 我々は、CTR予測における破滅的な忘れに対処するために、アンサンブル学習に基づく新しいドリフト対応インクリメンタルラーニングフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-04-17T05:45:18Z)
• Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
  リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。 既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。 本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T17:52:45Z)
• Bayes risk CTC: Controllable CTC alignment in Sequence-to-Sequence tasks [63.189632935619535]
  予測アライメントの望ましい特性を強制するためにベイズリスクCTC(BRCTC)を提案する。 BRCTCを他の早期排出の選好と組み合わせることで、オンラインモデルの性能・遅延トレードオフが改善される。
  論文  参考訳（メタデータ） (2022-10-14T03:55:36Z)
• Generalized Decision Transformer for Offline Hindsight Information Matching [16.7594941269479]
  本稿では、後視情報マッチング(HIM)問題を解くための一般化決定変換器(GDT)を提案する。 特徴関数と反因果アグリゲータの異なる選択が, 将来の異なる統計値に適合する新しいカテゴリーDT (CDT) と双方向DT (BDT) にどのように寄与するかを示す。
  論文  参考訳（メタデータ） (2021-11-19T18:56:13Z)
• Non-recurrent Traffic Congestion Detection with a Coupled Scalable Bayesian Robust Tensor Factorization Model [5.141309607968161]
  非リカレント交通渋滞(NRTC)は通常、通勤者に予期せぬ遅れをもたらす。 NRTCをリアルタイムに正確に検出し、認識することが重要である。
  論文  参考訳（メタデータ） (2020-05-10T03:58:18Z)

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。