論文の概要: Sequential Regression for Continuous Value Prediction using Residual Quantization

• arxiv url: http://arxiv.org/abs/2602.23012v1
• Date: Thu, 26 Feb 2026 13:52:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.709171
• Title: Sequential Regression for Continuous Value Prediction using Residual Quantization
• Title（参考訳）: 残留量子化を用いた連続値予測の逐次回帰
• Authors: Runpeng Cui, Zhipeng Sun, Chi Lu, Peng Jiang,
• Abstract要約: 継続的価値予測は産業規模のレコメンデーションシステムにおいて重要な役割を果たす。 既存の生成的アプローチは厳密なパラメトリック分布の仮定に依存している。 順序付き量子化符号の和として対象とする連続値を表す残差量子化(RQ)に基づくシーケンス学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.96389388600604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous value prediction plays a crucial role in industrial-scale recommendation systems, including tasks such as predicting users' watch-time and estimating the gross merchandise value (GMV) in e-commerce transactions. However, it remains challenging due to the highly complex and long-tailed nature of the data distributions. Existing generative approaches rely on rigid parametric distribution assumptions, which fundamentally limits their performance when such assumptions misalign with real-world data. Overly simplified forms cannot adequately model real-world complexities, while more intricate assumptions often suffer from poor scalability and generalization. To address these challenges, we propose a residual quantization (RQ)-based sequence learning framework that represents target continuous values as a sum of ordered quantization codes, predicted recursively from coarse to fine granularity with diminishing quantization errors. We introduce a representation learning objective that aligns RQ code embedding space with the ordinal structure of target values, allowing the model to capture continuous representations for quantization codes and further improving prediction accuracy. We perform extensive evaluations on public benchmarks for lifetime value (LTV) and watch-time prediction, alongside a large-scale online experiment for GMV prediction on an industrial short-video recommendation platform. The results consistently show that our approach outperforms state-of-the-art methods, while demonstrating strong generalization across diverse continuous value prediction tasks in recommendation systems.
• Abstract（参考訳）: 連続価値予測は、ユーザの監視時間予測や、eコマース取引における総商品価値(GMV)の推定といったタスクを含む、産業規模のレコメンデーションシステムにおいて重要な役割を果たす。 しかし、データ分布の非常に複雑で長い尾を持つ性質のため、これは依然として挑戦的である。 既存の生成的アプローチは厳密なパラメトリック分布の仮定に依存しており、そのような仮定が現実世界のデータと不一致である場合にその性能を根本的に制限する。 過度に単純化された形式は実世界の複雑さを適切にモデル化することはできないが、より複雑な仮定はスケーラビリティや一般化に苦しむことが多い。 これらの課題に対処するため,逐次量子化符号の和として対象の連続値を表す残差量子化(RQ)に基づくシーケンス学習フレームワークを提案する。 本稿では,RQ符号埋め込み空間を目標値の順序構造に整合させ,量子化符号の連続表現を捕捉し,予測精度を向上させる表現学習目標を提案する。 我々は,産業用ショートビデオレコメンデーションプラットフォーム上で,GMV予測のための大規模オンライン実験とともに,ライフタイム・バリュー(LTV)とウォッチタイム・予測のための公開ベンチマークを広範囲に評価する。 その結果,提案手法は従来の手法よりも優れており,提案手法は多種多様な連続値予測タスクにまたがる強い一般化を示唆している。

関連論文リスト

• Beyond Token-level Supervision: Unlocking the Potential of Decoding-based Regression via Reinforcement Learning [39.920697401868885]
  強化学習(Reinforcement Learning, RL)による復号化の可能性を解き放つことを提案する。 生成過程をマルコフ決定プロセスとして定式化し、シーケンスレベルの報酬を利用してグローバルな数値コヒーレンスを強制する。 さらに,RLはサンプリング効率と予測精度を大幅に向上させ,デコードに基づく回帰を汎用数値予測の堅牢かつ正確なパラダイムとして確立することを明らかにした。
  論文  参考訳（メタデータ） (2025-12-06T18:57:38Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Beyond Model Ranking: Predictability-Aligned Evaluation for Time Series Forecasting [18.018179328110048]
  スペクトルコヒーレンスに基づく予測可能性整合診断フレームワークを提案する。 予測可能性ドリフト(predictability drift, 予測可能性ドリフト)の最初の体系的な証拠として, タスクの予測困難度が時間とともに急激に変化することを示す。 複雑なモデルは予測可能性の低いデータより優れているのに対し、線形モデルは予測可能なタスクに非常に効果的である。
  論文  参考訳（メタデータ） (2025-09-27T02:56:06Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Generative Regression Based Watch Time Prediction for Short-Video Recommendation [36.95095097454143]
  短いビデオレコメンデーションシステムでは、時計の時間予測が重要なタスクとして現れている。 最近の研究は、連続時計時間推定を正規回帰タスクに変換することによって、これらの問題に対処しようとしている。 本稿では,WTPをシーケンス生成タスクとして再構成する新しい生成回帰(GR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-28T16:48:55Z)
• Conditional Quantile Estimation for Uncertain Watch Time in Short-Video Recommendation [2.3166433227657186]
  本稿では,時計時間全体の条件分布をモデル化するための条件量子推定(CQE)を提案する。 CQEは、ユーザとビデオのペアごとに複雑なウォッチタイム分布を特徴付け、ユーザの振る舞いを理解するための柔軟で包括的なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-07-17T00:25:35Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。