論文の概要: Infer As You Train: A Symmetric Paradigm of Masked Generative for Click-Through Rate Prediction

• arxiv url: http://arxiv.org/abs/2511.14403v1
• Date: Tue, 18 Nov 2025 12:07:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.092607
• Title: Infer As You Train: A Symmetric Paradigm of Masked Generative for Click-Through Rate Prediction
• Title（参考訳）: Infer As You Train: クリックスルーレート予測のためのマスク付き生成のシンメトリパラダイム
• Authors: Moyu Zhang, Yujun Jin, Yun Chen, Jinxin Hu, Yu Zhang, Xiaoyi Zeng,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.542597285477683
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models are increasingly being explored in click-through rate (CTR) prediction field to overcome the limitations of the conventional discriminative paradigm, which rely on a simple binary classification objective. However, existing generative models typically confine the generative paradigm to the training phase, primarily for representation learning. During online inference, they revert to a standard discriminative paradigm, failing to leverage their powerful generative capabilities to further improve prediction accuracy. This fundamental asymmetry between the training and inference phases prevents the generative paradigm from realizing its full potential. To address this limitation, we propose the Symmetric Masked Generative Paradigm for CTR prediction (SGCTR), a novel framework that establishes symmetry between the training and inference phases. Specifically, after acquiring generative capabilities by learning feature dependencies during training, SGCTR applies the generative capabilities during online inference to iteratively redefine the features of input samples, which mitigates the impact of noisy features and enhances prediction accuracy. Extensive experiments validate the superiority of SGCTR, demonstrating that applying the generative paradigm symmetrically across both training and inference significantly unlocks its power in CTR prediction.
• Abstract（参考訳）: 生成モデルは、単純な二項分類の目的に依存する従来の識別パラダイムの限界を克服するために、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。 しかしながら、既存の生成モデルは一般的に、主に表現学習のために、生成パラダイムをトレーニングフェーズに限定する。 オンライン推論の間、彼らは標準的な差別的パラダイムに戻り、予測精度をさらに向上するために強力な生成能力を活用できなかった。 このトレーニングと推論フェーズの基本的な非対称性は、生成パラダイムがその完全なポテンシャルを実現することを妨げている。 そこで本研究では,CTR予測のためのSymmetric Masked Generative Paradigm(SGCTR)を提案する。 具体的には、トレーニング中に特徴依存を学習して生成能力を得た後、SGCTRは、オンライン推論中に生成能力を適用して、入力サンプルの特徴を反復的に再定義し、ノイズのある特徴の影響を緩和し、予測精度を高める。 広範な実験によりSGCTRの優位性が検証され、生成パラダイムをトレーニングと推論の両方に対称に適用することで、CTR予測におけるその力を著しく解き放つことが示されている。

関連論文リスト

• Abstain Mask Retain Core: Time Series Prediction by Adaptive Masking Loss with Representation Consistency [4.047219770183742]
  時系列予測はエネルギー管理や金融市場といった重要な領域において重要な役割を担っている。 本研究は, 履歴データを適切に切り詰めることによって予測精度を向上させるという, 直感に反する現象を明らかにする。 本稿では,適応的マスキング・ロス(Adaptive Masking Loss)と表現整合性(Representation Consistency)を提案する。
  論文  参考訳（メタデータ） (2025-10-22T19:23:53Z)
• Next Interest Flow: A Generative Pre-training Paradigm for Recommender Systems by Modeling All-domain Movelines [8.895768051554162]
  本稿では,eコマースレコメンデータシステムのための新しい生成事前学習パラダイムを提案する。 我々のモデルは,ユーザの将来の意図を表す密度の高いベクトル列であるNext Interest Flowを予測することを学ぶ。 パイプライン全体を実装した統合フレームワークである All-domain Moveline Evolution Network (AMEN) を提示する。
  論文  参考訳（メタデータ） (2025-10-13T12:13:17Z)
• 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)
• DGenCTR: Towards a Universal Generative Paradigm for Click-Through Rate Prediction via Discrete Diffusion [6.189010741030871]
  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。
  論文  参考訳（メタデータ） (2025-08-20T07:42:21Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• 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)
• CC-Cert: A Probabilistic Approach to Certify General Robustness of Neural Networks [58.29502185344086]
  安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。 意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。 我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
  論文  参考訳（メタデータ） (2021-09-22T12:46:04Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)

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。