論文の概要: Distillation-Accelerated Uncertainty Modeling for Multi-Objective RTA Interception

• arxiv url: http://arxiv.org/abs/2511.05582v1
• Date: Wed, 05 Nov 2025 08:14:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.469569
• Title: Distillation-Accelerated Uncertainty Modeling for Multi-Objective RTA Interception
• Title（参考訳）: 多目的RTAインターセプションのための蒸留促進不確実性モデリング
• Authors: Gaoxiang Zhao, Ruina Qiu, Pengpeng Zhao, Rongjin Wang, Zhangang Lin, Xiaoqiang Wang,
• Abstract要約: DAUMは、多目的学習と不確実性モデリングを統合する共同モデリングフレームワークである。 DAUMに基づいて知識蒸留を適用し,不確実性モデリングの計算オーバーヘッドを低減する。 JD広告データセットの実験は、DAUMが常に予測性能を改善することを示した。
• 参考スコア（独自算出の注目度）: 6.815446986729023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-Time Auction (RTA) Interception aims to filter out invalid or irrelevant traffic to enhance the integrity and reliability of downstream data. However, two key challenges remain: (i) the need for accurate estimation of traffic quality together with sufficiently high confidence in the model's predictions, typically addressed through uncertainty modeling, and (ii) the efficiency bottlenecks that such uncertainty modeling introduces in real-time applications due to repeated inference. To address these challenges, we propose DAUM, a joint modeling framework that integrates multi-objective learning with uncertainty modeling, yielding both traffic quality predictions and reliable confidence estimates. Building on DAUM, we further apply knowledge distillation to reduce the computational overhead of uncertainty modeling, while largely preserving predictive accuracy and retaining the benefits of uncertainty estimation. Experiments on the JD advertisement dataset demonstrate that DAUM consistently improves predictive performance, with the distilled model delivering a tenfold increase in inference speed.
• Abstract（参考訳）: Real-Time Auction (RTA) Interceptionは、ダウンストリームデータの整合性と信頼性を高めるために、無効または無関係なトラフィックをフィルタリングすることを目的としている。 しかし、2つの重要な課題が残る。 一 交通質の正確な推定の必要性及びモデルの予測に対する十分な信頼感、通常不確実性モデリングを通じて対処すること。 (2)そのような不確実性モデリングが繰り返し推論によってリアルタイムアプリケーションに導入される効率ボトルネック。 これらの課題に対処するために,多目的学習と不確実性モデリングを統合し,交通品質予測と信頼度推定の両方を導出する統合モデリングフレームワークDAUMを提案する。 さらに,DAUMに基づいて知識蒸留を適用し,不確実性モデリングの計算オーバーヘッドを低減するとともに,予測精度を保ち,不確実性推定の利点を維持する。 JD広告データセットの実験では、DAUMは予測性能を継続的に改善し、蒸留されたモデルは推論速度を10倍に向上することを示した。

関連論文リスト

• Towards Reliable Time Series Forecasting under Future Uncertainty: Ambiguity and Novelty Rejection Mechanisms [36.83718113051274]
  あいまいさと新規性拒絶を組み合わせた二重拒絶機構を導入する。 曖昧さの拒絶は、履歴的な誤差分散分析によって評価される、信頼度が低いモデルを棄却することを可能にする。 変分オートコーダとマハラノビス距離を用いたノベルティ拒絶は、トレーニングデータからの偏差を検出する。
  論文  参考訳（メタデータ） (2025-03-25T13:44:29Z)
• Reliable Trajectory Prediction and Uncertainty Quantification with Conditioned Diffusion Models [11.308331231957588]
  本研究は, 拡散モデルを用いた高速道路軌道予測のための新しいネットワークアーキテクチャである, 条件付き車両運動拡散(cVMD)モデルを紹介する。 cVMDのアーキテクチャの中心は、安全クリティカルなアプリケーションにおいて重要な機能である不確実な定量化を実行する能力である。 実験により,提案アーキテクチャは最先端モデルと比較して,競合軌道予測精度が向上することが示された。
  論文  参考訳（メタデータ） (2024-05-23T10:01:39Z)
• Uncertainty-boosted Robust Video Activity Anticipation [72.14155465769201]
  ビデオアクティビティの予測は、ロボットビジョンから自動運転まで幅広い応用可能性を受け入れることで、将来何が起こるかを予測することを目的としている。 近年の進展にもかかわらず、コンテンツ進化過程やイベントラベルの動的相関として反映されたデータ不確実性問題は、何らかの形で無視されている。 本研究では,予測結果の信頼性を示す不確実な値を生成する,不確実性を考慮した頑健なビデオアクティビティ予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-29T12:31:38Z)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• ALUM: Adversarial Data Uncertainty Modeling from Latent Model Uncertainty Compensation [25.67258563807856]
  本稿では,モデル不確実性とデータ不確実性を扱うALUMという新しい手法を提案する。 提案するALUMはモデルに依存しないため,オーバーヘッドの少ない既存のディープモデルに容易に実装できる。
  論文  参考訳（メタデータ） (2023-03-29T17:24:12Z)
• Reliable Multimodal Trajectory Prediction via Error Aligned Uncertainty Optimization [11.456242421204298]
  よく校正されたモデルでは、不確実性推定はモデル誤差と完全に相関する。 本稿では,モデル誤差に整合した品質不確実性推定を導出するための,新しい誤差整合不確実性最適化手法を提案する。 本研究では, 平均変位誤差を1.69%, 4.69%, モデル誤差との不確実性相関を17.22%, 19.13%, ピアソン相関係数で定量化することにより, 平均変位誤差を1.69%, 4.69%改善することを示した。
  論文  参考訳（メタデータ） (2022-12-09T12:33:26Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
  不確実性は時系列予測タスクに不可欠な考慮事項である。 本研究では,交通予測の不確かさの定量化に焦点をあてる。 STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
  論文  参考訳（メタデータ） (2022-08-11T15:21:53Z)
• Discriminative Jackknife: Quantifying Uncertainty in Deep Learning via Higher-Order Influence Functions [121.10450359856242]
  我々は、モデル損失関数の影響関数を利用して、予測信頼区間のジャックニフェ(または、アウト・ワン・アウト)推定器を構築する頻繁な手順を開発する。 1)および(2)を満たすDJは、幅広いディープラーニングモデルに適用可能であり、実装が容易であり、モデルトレーニングに干渉したり、精度を妥協したりすることなく、ポストホックな方法で適用することができる。
  論文  参考訳（メタデータ） (2020-06-29T13:36:52Z)

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。