論文の概要: CC-OR-Net: A Unified Framework for LTV Prediction through Structural Decoupling

• arxiv url: http://arxiv.org/abs/2601.10176v1
• Date: Thu, 15 Jan 2026 08:35:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.055558
• Title: CC-OR-Net: A Unified Framework for LTV Prediction through Structural Decoupling
• Title（参考訳）: CC-OR-Net:構造デカップリングによるLTV予測のための統一フレームワーク
• Authors: Mingyu Zhao, Haoran Bai, Yu Tian, Bing Zhu, Hengliang Luo,
• Abstract要約: CC-OR-Netは、テキスト構造分解によってより堅牢なデカップリングを実現する新しい統一フレームワークである。 CC-OR-Netは、3つの特別なコンポーネントを統合している: 頑健なランク付けのためのテキスト構造的順序分解モジュール、きめ細かな回帰のためのテキスト構造的バケット残差モジュール、トップ層ユーザーに対する精度向上のためのテキストターゲット高値拡張モジュール。
• 参考スコア（独自算出の注目度）: 15.714075484024177
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Customer Lifetime Value (LTV) prediction, a central problem in modern marketing, is characterized by a unique zero-inflated and long-tail data distribution. This distribution presents two fundamental challenges: (1) the vast majority of low-to-medium value users numerically overwhelm the small but critically important segment of high-value "whale" users, and (2) significant value heterogeneity exists even within the low-to-medium value user base. Common approaches either rely on rigid statistical assumptions or attempt to decouple ranking and regression using ordered buckets; however, they often enforce ordinality through loss-based constraints rather than inherent architectural design, failing to balance global accuracy with high-value precision. To address this gap, we propose \textbf{C}onditional \textbf{C}ascaded \textbf{O}rdinal-\textbf{R}esidual Networks \textbf{(CC-OR-Net)}, a novel unified framework that achieves a more robust decoupling through \textbf{structural decomposition}, where ranking is architecturally guaranteed. CC-OR-Net integrates three specialized components: a \textit{structural ordinal decomposition module} for robust ranking, an \textit{intra-bucket residual module} for fine-grained regression, and a \textit{targeted high-value augmentation module} for precision on top-tier users. Evaluated on real-world datasets with over 300M users, CC-OR-Net achieves a superior trade-off across all key business metrics, outperforming state-of-the-art methods in creating a holistic and commercially valuable LTV prediction solution.
• Abstract（参考訳）: 現代のマーケティングの中心的な問題である顧客ライフタイムバリュー(LTV)予測は、ユニークなゼロインフレーションとロングテールのデータ分散によって特徴づけられる。 この分布は,(1)低位から中位のユーザの大部分を数値的に圧倒し,(2)低位から中位のユーザベースにおいても重要な価値の不均一性が存在する,という2つの基本的な課題を示す。 一般的なアプローチは、厳密な統計的仮定に依存するか、順序づけられたバケットを使ってランクと回帰を分離しようとするが、それらはしばしば、固有のアーキテクチャ設計よりも損失に基づく制約によって、大域的な精度と高い値の精度のバランスをとることができない。 このギャップに対処するため,より堅牢なデカップリングを実現する新しい統合フレームワークである \textbf{C}onditional \textbf{C}ascaded \textbf{O}rdinal-\textbf{R}esidual Networks \textbf{(CC-OR-Net)} を提案する。 CC-OR-Netは、ロバストなランク付けのための \textit{structural Ordinal decomposition Module} 、きめ細かいレグレッションのための \textit{intra-bucket residual Module} 、トップクラスのユーザの精度向上のための \textit{targeted High-value augmentation Module} という3つの特別なコンポーネントを統合している。 CC-OR-Netは3億人以上のユーザを持つ実世界のデータセットに基づいて評価され、すべての主要なビジネス指標に対する優れたトレードオフを実現し、総合的で商業的に価値のあるLTV予測ソリューションを作成する上で、最先端の手法よりも優れています。

関連論文リスト

• Correlation-Aware Feature Attribution Based Explainable AI [4.457502798302293]
  emphExCIRは、軽量転送プロトコルを備えた相関対応属性スコアである。 textscBlockCIRは、コリニアクラスタの二重カウントを緩和する。 emphscalable説明責任は、現実のデプロイメントにおいて、emphscalable説明責任を計算的に効率的、emphscalent、emphscalable説明責任を提供する。
  論文  参考訳（メタデータ） (2025-11-20T15:51:00Z)
• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• Auto-Rubric: Learning to Extract Generalizable Criteria for Reward Modeling [37.237020102873]
  リワードモデルは、大規模言語モデルと人間の価値の整合に不可欠であるが、その開発はコストのかかる選好データセットと低い解釈可能性によって妨げられている。 検証誘導型 textbfPropose-Evaluate-Revise パイプラインを用いて,高品質でクエリ固有のルーリックを推論する,トレーニング不要のフレームワークを構築した。 わずか70の選好ペア(ソースデータの1.5%)を使用することで、Qwen3-8Bのようなより小型のモデルでも、専門的で完全に訓練されたモデルよりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2025-10-20T09:01:37Z)
• {S\textsuperscript{2}M\textsuperscript{2}}: Scalable Stereo Matching Model for Reliable Depth Estimation [2.2249176072603634]
  Stextsuperscript2Mtextsuperscript2は、Middlebury v3とETH3Dベンチマーク上の新しい最先端技術を確立する。 提案設計では, 高い長範囲対応性を持つマルチレゾリューショントランスフォーマを統合し, 実現可能な一致の確率を集中する新たな損失関数を学習する。
  論文  参考訳（メタデータ） (2025-07-17T15:40:18Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
  GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。 我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T14:58:27Z)
• Learning to Decompose: Hypothetical Question Decomposition Based on Comparable Texts [65.84370471189676]
  本研究は,分解型変圧器の大規模中間訓練について,比較テキストから遠ざかって検討する。 このような中間的事前学習により、多様なタスクのための堅牢な分解ベースモデルの開発がより実現可能であることを示す。
  論文  参考訳（メタデータ） (2022-10-30T15:38:03Z)
• DP-NormFedAvg: Normalizing Client Updates for Privacy-Preserving Federated Learning [48.064786028195506]
  我々は,クライアントに対して,大局的な情報の観点から,テキスト単位のみを定量化したバージョンを送信させることを提案する。 また、単位ノルムの新しい微分プライベート量子化機構であるQTDLを導入する。
  論文  参考訳（メタデータ） (2021-06-13T21:23:46Z)
• Faster Non-Convex Federated Learning via Global and Local Momentum [57.52663209739171]
  textttFedGLOMOは最初の(一階)FLtexttFedGLOMOアルゴリズムです。 クライアントとサーバ間の通信においても,我々のアルゴリズムは確実に最適である。
  論文  参考訳（メタデータ） (2020-12-07T21:05:31Z)

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。