論文の概要: CLAX: Fast and Flexible Neural Click Models in JAX

• arxiv url: http://arxiv.org/abs/2511.03620v1
• Date: Wed, 05 Nov 2025 16:39:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.489772
• Title: CLAX: Fast and Flexible Neural Click Models in JAX
• Title（参考訳）: CLAX:JAXにおける高速で柔軟なニューラルクリックモデル
• Authors: Philipp Hager, Onno Zoeter, Maarten de Rijke,
• Abstract要約: CLAXはJAXベースのライブラリで、モダンな勾配ベースの最適化を使用して古典的なクリックモデルを実装する。 我々は,100億以上のユーザセッションからなるBaidu-ULTRデータセットの完全な実験を実行することで,CLAXの効率を実証する。 CLAXは10の古典的なクリックモデルを実装しており、両方の業界の実践者がユーザの振る舞いを理解し、大規模なランキングパフォーマンスを改善しようとしている。
• 参考スコア（独自算出の注目度）: 48.429188360918744
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: CLAX is a JAX-based library that implements classic click models using modern gradient-based optimization. While neural click models have emerged over the past decade, complex click models based on probabilistic graphical models (PGMs) have not systematically adopted gradient-based optimization, preventing practitioners from leveraging modern deep learning frameworks while preserving the interpretability of classic models. CLAX addresses this gap by replacing EM-based optimization with direct gradient-based optimization in a numerically stable manner. The framework's modular design enables the integration of any component, from embeddings and deep networks to custom modules, into classic click models for end-to-end optimization. We demonstrate CLAX's efficiency by running experiments on the full Baidu-ULTR dataset comprising over a billion user sessions in $\approx$ 2 hours on a single GPU, orders of magnitude faster than traditional EM approaches. CLAX implements ten classic click models, serving both industry practitioners seeking to understand user behavior and improve ranking performance at scale and researchers developing new click models. CLAX is available at: https://github.com/philipphager/clax
• Abstract（参考訳）: CLAXはJAXベースのライブラリで、モダンな勾配ベースの最適化を使用して古典的なクリックモデルを実装する。 ニューラルクリックモデルは過去10年間に出現してきたが、確率的グラフィカルモデル(PGM)に基づく複雑なクリックモデルは、体系的に勾配ベースの最適化を採用しておらず、実践者が古典的なモデルの解釈可能性を維持しながらモダンなディープラーニングフレームワークを活用するのを妨げている。 CLAXは、EMベースの最適化を直接勾配に基づく最適化に代えて数値的に安定した方法で置き換えることで、このギャップに対処する。 フレームワークのモジュール設計により、組み込みやディープネットワークからカスタムモジュールまで、あらゆるコンポーネントを古典的なクリックモデルに統合し、エンドツーエンドの最適化を可能にする。 CLAXの効率を実証するために、Baidu-ULTRデータセットで10億以上のユーザセッションを1つのGPUで2時間分の$\approx$で実行し、従来のEMアプローチよりも桁違いに高速に実行しました。 CLAXは10の古典的なクリックモデルを実装しており、ユーザの振る舞いを理解し、スケールでのランク付け性能を改善しようとする業界実践者と、新しいクリックモデルを開発する研究者の両方に役立っている。 CLAX は https://github.com/philipphager/clax で利用可能である。

関連論文リスト

• Rethinking Click Models in Light of Carousel Interfaces: Theory-Based Categorization and Design of Click Models [57.83744150783658]
  我々は、この時代遅れの見解は、クリックモデル設計の基本を適切に説明できないと論じる。 本稿では,クリックモデルが捉え得る統計的パターンを説明する3つの基本的キー設計選択を提案する。 これらの選択に基づいて、既存のすべてのクリックモデルと有意義な比較を可能にする、新しいクリックモデル分類を作成する。
  論文  参考訳（メタデータ） (2025-06-23T11:57:11Z)
• Aligning Frozen LLMs by Reinforcement Learning: An Iterative Reweight-then-Optimize Approach [65.6966065843227]
  Iterative Reweight-then-IROは、凍結ベースモデルのRLスタイルアライメントを実行するフレームワークである。 テスト時には、値関数を使用して、検索ベースの最適化プロセスを介してベースモデル生成をガイドする。 特に、ユーザは、OpenAIの強化微調整(RFT)と同様、自身のデータセットにモデルをアライメントするためにIROを適用することができる。
  論文  参考訳（メタデータ） (2025-06-21T21:49:02Z)
• Learning to Walk from Three Minutes of Real-World Data with Semi-structured Dynamics Models [9.318262213262866]
  コンタクトリッチシステムのための半構造化力学モデルを学習するための新しいフレームワークを提案する。 我々は,従来の手法よりもはるかに少ないデータで高精度な長距離予測を行う。 実世界のUnitree Go1四足歩行ロボットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2024-10-11T18:11:21Z)
• A Two-Phase Recall-and-Select Framework for Fast Model Selection [13.385915962994806]
  本稿では,2相モデル選択フレームワークを提案する。 これは、ベンチマークデータセット上でモデルのトレーニングパフォーマンスを活用することにより、堅牢なモデルを選択する効率を高めることを目的としている。 提案手法は,従来のベースライン法に比べて約3倍の速度でハイパフォーマンスモデルの選択を容易にすることが実証された。
  論文  参考訳（メタデータ） (2024-03-28T14:44:44Z)
• Re-parameterizing Your Optimizers rather than Architectures [119.08740698936633]
  本稿では,モデル固有の事前知識を構造学に取り入れ,汎用モデル(簡易モデル)の学習に使用する新しいパラダイムを提案する。 実装として,モデル固有のハイパーパラメータの集合に従って勾配を変更することによって,事前知識を付加する手法を提案する。 Reprでトレーニングされた単純なモデルに対しては、VGGスタイルのプレーンモデルに注目し、ReprでトレーニングされたそのようなシンプルなモデルがRep-VGGと呼ばれ、最近のよく設計されたモデルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-05-30T16:55:59Z)

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。