論文の概要: Meta Lattice: Model Space Redesign for Cost-Effective Industry-Scale Ads Recommendations

• arxiv url: http://arxiv.org/abs/2512.09200v2
• Date: Mon, 15 Dec 2025 03:05:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 15:10:29.152051
• Title: Meta Lattice: Model Space Redesign for Cost-Effective Industry-Scale Ads Recommendations
• Title（参考訳）: Meta Lattice: コスト効果の高い産業規模の広告推奨のためのモデル空間の再設計
• Abstract要約: 本稿では,モデルや学習目的を超えて,MDMO(Multi-Domain, Multi-Objective)学習を拡張するモデル空間再設計を中心とした推薦フレームワークを提案する。 Lattice氏はこれらの課題に、ドメイン間の知識共有、データ統合、モデル統一、蒸留、システムの最適化を組み合わせた包括的なモデル空間を通じて対処する。 当社のMetaでのLatticeの展開により、収益が10%向上し、ユーザ満足度が11.5%向上し、コンバージョンレートが6%向上し、容量が20%削減された。
• 参考スコア（独自算出の注目度）: 34.02025643699035
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The rapidly evolving landscape of products, surfaces, policies, and regulations poses significant challenges for deploying state-of-the-art recommendation models at industry scale, primarily due to data fragmentation across domains and escalating infrastructure costs that hinder sustained quality improvements. To address this challenge, we propose Lattice, a recommendation framework centered around model space redesign that extends Multi-Domain, Multi-Objective (MDMO) learning beyond models and learning objectives. Lattice addresses these challenges through a comprehensive model space redesign that combines cross-domain knowledge sharing, data consolidation, model unification, distillation, and system optimizations to achieve significant improvements in both quality and cost-efficiency. Our deployment of Lattice at Meta has resulted in 10% revenue-driving top-line metrics gain, 11.5% user satisfaction improvement, 6% boost in conversion rate, with 20% capacity saving.
• Abstract（参考訳）: 製品、表面、ポリシー、規制の急速な発展は、業界規模で最先端のレコメンデーションモデルをデプロイする上で、大きな課題を引き起こします。 この課題に対処するため,モデルや学習目的を超えて,MDMO(Multi-Domain, Multi-Objective)学習を拡張するモデル空間再設計を中心としたレコメンデーションフレームワークであるLatticeを提案する。 Lattice氏はこれらの課題に、ドメイン間の知識共有、データ統合、モデル統一、蒸留、システム最適化を組み合わせた包括的なモデル空間の再設計を通じて対処する。 当社のMetaでのLatticeの展開により、収益が10%向上し、ユーザ満足度が11.5%向上し、コンバージョンレートが6%向上し、容量が20%削減された。

関連論文リスト

• UniScale: Synergistic Entire Space Data and Model Scaling for Search Ranking [16.652956438207962]
  大規模言語モデル (LLMs) は、産業検索、広告、レコメンデーションシステムにおける法研究の規模拡大にインスピレーションを与えている。 既存のアプローチは主に、データとアーキテクチャ設計の間の重要な相乗効果を見越して、アーキテクチャの改善に焦点を当てています。 データとアーキテクチャを協調的に最適化する新しい共同設計フレームワークであるUniScaleを提案する。
  論文  参考訳（メタデータ） (2026-03-25T12:00:26Z)
• SAIL-Embedding Technical Report: Omni-modal Embedding Foundation Model [49.65930977591188]
  マルチモーダル埋め込みモデルは、多様なクロスモーダルタスクに力を与える情報的統一表現を提供することを目的としている。 SAIL-Embeddingはオムニモーダルな埋め込み基盤モデルで、これらの問題に適切なトレーニング戦略とアーキテクチャ設計を通して対処する。 具体的には、コンテンツ対応プログレッシブトレーニングは、さまざまな下流タスクへのモデルの適応性を高め、より豊かなクロスモーダル習熟度を習得することを目的としている。 協調型レコメンデーション強化トレーニングは、シークエンス・ツー・テムとID・ツー・テムの埋め込みから知識を抽出することにより、レコメンデーションシナリオのマルチモーダル表現をさらに適応させる。
  論文  参考訳（メタデータ） (2025-10-14T16:43:22Z)
• An End-to-End Multi-objective Ensemble Ranking Framework for Video Recommendation [23.032738554023055]
  本稿では,多目的アンサンブルランキングモジュールのための新しいエンド・ツー・エンド多目的アンサンブルランキングフレームワーク(EMER)を提案する。 EMERは手作業で設計された公式をエンドツーエンドのモデリングパラダイムに置き換えることで強化する。 当社のフレームワークは,毎日数億人のアクティブユーザがいるショートビデオレコメンデーションプラットフォームであるKuaishouの主要なシナリオにデプロイされています。
  論文  参考訳（メタデータ） (2025-08-07T07:21:46Z)
• Realizing Scaling Laws in Recommender Systems: A Foundation-Expert Paradigm for Hyperscale Model Deployment [16.883389041355073]
  本稿では,超大規模レコメンデーションFMの開発と展開を目的としたフレームワークを提案する。 提案手法では, 生涯にわたる, クロスサイト, マルチモーダルなユーザデータに基づいて, 一般化可能な知識を学習する。 この知識は、ターゲット認識の埋め込みを通じて、様々な軽量で表面特異的な「専門家」モデルに効率的に伝達される。
  論文  参考訳（メタデータ） (2025-08-04T22:03:13Z)
• Generative Large-Scale Pre-trained Models for Automated Ad Bidding Optimization [5.460538555236247]
  GRAD(Generative Reward-driven Ad-bidding with Mixture-of-Experts)を提案する。 GRADはプラットフォーム収益を大幅に向上させ、現代の広告主の進化的かつ多様な要求に対処する上での有効性を強調した。
  論文  参考訳（メタデータ） (2025-08-04T02:46:18Z)
• MTGR: Industrial-Scale Generative Recommendation Framework in Meituan [32.12374665716164]
  この問題に対処するためにMTGR(Meituan Generative Recommendation)を提案する。 MTGRはユーザレベルの圧縮によってトレーニングと推論の高速化を実現し、効率的なスケーリングを実現する。 この突破口は世界最大のフードデリバリープラットフォームであるMeituanに配備された。
  論文  参考訳（メタデータ） (2025-05-24T11:47:28Z)
• Effective Dual-Region Augmentation for Reduced Reliance on Large Amounts of Labeled Data [1.0901840476380924]
  本稿では,大規模ラベル付きデータセットへの依存を減らすために,新しい二重領域拡張手法を提案する。 提案手法は,前景オブジェクトにランダムノイズ摂動を適用することで,対象データ変換を行う。 構造化変換によるトレーニングデータの拡大により,ドメイン間のモデル一般化が可能となる。
  論文  参考訳（メタデータ） (2025-04-17T16:42:33Z)
• Offline Model-Based Optimization: Comprehensive Review [61.91350077539443]
  オフライン最適化は、オフラインデータセットのみを使用してブラックボックス機能の最適化を目標とする、科学とエンジニアリングの基本的な課題である。 モデルベース最適化の最近の進歩は、オフライン固有の代理モデルと生成モデルを開発するために、ディープニューラルネットワークの一般化能力を活用している。 科学的な発見を加速させる効果が増大しているにもかかわらず、この分野は包括的なレビューを欠いている。
  論文  参考訳（メタデータ） (2025-03-21T16:35:02Z)
• Scaling New Frontiers: Insights into Large Recommendation Models [74.77410470984168]
  MetaのジェネレーティブレコメンデーションモデルHSTUは、パラメータを数千億に拡張することでレコメンデーションシステムのスケーリング法則を説明している。 我々は、これらのスケーリング法則の起源を探るため、包括的なアブレーション研究を行っている。 大規模なレコメンデーションモデルの今後の方向性に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-12-01T07:27:20Z)
• MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [92.40586697273868]
  モノのインターネットのタイムリーな更新は、車載メタバースサービスの没入を実現するために不可欠である。 本稿では,フェデレーション学習による効率的なプライバシ保護データ提供を可能にする没入型モデルトレーディングフレームワークを提案する。 実験の結果,提案手法は最先端のベンチマークよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-25T16:20:46Z)
• Read-ME: Refactorizing LLMs as Router-Decoupled Mixture of Experts with System Co-Design [59.00758127310582]
  本稿では、事前学習された高密度LCMをより小さなMoEモデルに変換する新しいフレームワークRead-MEを提案する。 当社のアプローチでは,専門家の抽出にアクティベーション空間を用いる。 Read-MEは、同様のスケールの他の人気のあるオープンソース高密度モデルよりも優れています。
  論文  参考訳（メタデータ） (2024-10-24T19:48:51Z)
• End-to-End Cost-Effective Incentive Recommendation under Budget Constraint with Uplift Modeling [12.160403526724476]
  本稿では,予算制約下でのエンド・ツー・エンド・エンド・コスト・エフェクティブ・インセンティブ・レコメンデーション(E3IR)モデルを提案する。 具体的には、アップリフト予測モジュールと微分可能なアロケーションモジュールの2つのモジュールから構成される。 E3IRは既存の2段階アプローチに比べてアロケーション性能が向上する。
  論文  参考訳（メタデータ） (2024-08-21T13:48:00Z)
• InfoRM: Mitigating Reward Hacking in RLHF via Information-Theoretic Reward Modeling [66.3072381478251]
  Reward Hacking(報酬の過度な最適化)は依然として重要な課題だ。 本稿では,報奨モデル,すなわちInfoRMのためのフレームワークを提案する。 InfoRMの過度な最適化検出機構は、有効であるだけでなく、幅広いデータセットにわたって堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-02-14T17:49:07Z)

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。