論文の概要: Uncertainty Quantification of Click and Conversion Estimates for the Autobidding

• arxiv url: http://arxiv.org/abs/2603.01825v1
• Date: Mon, 02 Mar 2026 12:57:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.879487
• Title: Uncertainty Quantification of Click and Conversion Estimates for the Autobidding
• Title（参考訳）: 自動車のクリック・コンバージョン推定の不確かさの定量化
• Authors: Ivan Zhigalskii, Andrey Pudovikov, Aleksandr Katrutsa, Egor Samosvat,
• Abstract要約: オートバイディングアルゴリズムは、事前トレーニングされた機械学習モデルによって提供されるClick-Through-Rate(CTR)とConversion-Rate(CVR)の推定に依存する。 提案手法は,生成したCTRとCVRを補正し,競売における入札の効率を向上する。
• 参考スコア（独自算出の注目度）: 41.674778042920956
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modern e-commerce platforms employ various auction mechanisms to allocate paid slots for a given item. To scale this approach to the millions of auctions, the platforms suggest promotion tools based on the autobidding algorithms. These algorithms typically depend on the Click-Through-Rate (CTR) and Conversion-Rate (CVR) estimates provided by a pre-trained machine learning model. However, the predictions of such models are uncertain and can significantly affect the performance of the autobidding algorithm. To address this issue, we propose the DenoiseBid method, which corrects the generated CTRs and CVRs to make the resulting bids more efficient in auctions. The underlying idea of our method is to employ a Bayesian approach and replace noisy CTR or CVR estimates with those from recovered distributions. To demonstrate the performance of the proposed approach, we perform extensive experiments on the synthetic, iPinYou, and BAT datasets. To evaluate the robustness of our approach to the noise scale, we use synthetic noise and noise estimated from the predictions of the pre-trained machine learning model.
• Abstract（参考訳）: 現代のeコマースプラットフォームは、アイテムの有償スロットを割り当てるために様々なオークションメカニズムを使用している。 このアプローチを数百万のオークションに拡大するために、プラットフォームは自動入札アルゴリズムに基づいたプロモーションツールを提案する。 これらのアルゴリズムは通常、事前訓練された機械学習モデルによって提供されるClick-Through-Rate(CTR)とConversion-Rate(CVR)の推定に依存する。 しかし、そのようなモデルの予測は不確実であり、オートバイディングアルゴリズムの性能に大きな影響を及ぼす可能性がある。 この問題に対処するため,提案手法では,生成したCTRとCVRを補正し,競売における入札の効率を向上する。 提案手法の根底にある考え方はベイズ的手法を用いて,ノイズの多いCTRやCVR推定を復元された分布に置き換えることである。 提案手法の性能を示すため,合成,iPinYou,BATデータセットについて広範な実験を行った。 ノイズスケールに対する我々のアプローチのロバスト性を評価するために,事前学習された機械学習モデルの予測から推定した合成ノイズとノイズを用いる。

関連論文リスト

• Autobidding Arena: unified evaluation of the classical and RL-based autobidding algorithms [71.47275796833235]
  本稿では,古典的および強化的学習オートバイディングアルゴリズムを比較するための,標準化された透過的評価プロトコルを提案する。 我々は、この業界で開発された最新のオープンソース環境を利用して、入札プロセスを正確にエミュレートする。
  論文  参考訳（メタデータ） (2025-10-22T08:27:56Z)
• Auto-bidding under Return-on-Spend Constraints with Uncertainty Quantification [11.402112814133034]
  自動入札システムは、総予算やRoS(Return-on-Spend)目標などの制約の下で入札値を自動決定するために、広告で広く利用されている。 本稿では、真の価値が不明なより現実的なシナリオについて考察する。 本研究では, 歴史的入札データに基づく機械学習手法を用いて, コンフォメーション予測を用いて, それらの値の不確かさを定量化する手法を提案する。
  論文  参考訳（メタデータ） (2025-09-19T18:09:23Z)
• BAT: Benchmark for Auto-bidding Task [67.56067222427946]
  本稿では,最も普及している2種類のオークション形式を含むオークションベンチマークを提案する。 我々は,新しいデータセットに基づいて,一連の堅牢なベースラインを実装した。 このベンチマークは、研究者や実践者が革新的なオートバイディングアルゴリズムを開発し、洗練するための、ユーザフレンドリで直感的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-05-13T12:12:34Z)
• A Data Balancing and Ensemble Learning Approach for Credit Card Fraud Detection [1.8921747725821432]
  本研究では,SMOTE-KMEANS手法とアンサンブル機械学習モデルを組み合わせることで,クレジットカード不正を識別する革新的な手法を提案する。 提案モデルは、ロジスティック回帰、決定木、ランダムフォレスト、サポートベクターマシンといった従来のモデルと比較された。 その結果,提案モデルでは,SMOTE-KMEANSアルゴリズムと組み合わせたAUCが0.96と優れた性能を示した。
  論文  参考訳（メタデータ） (2025-03-27T04:59:45Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• Adaptive Fake Audio Detection with Low-Rank Model Squeezing [50.7916414913962]
  ファインタニングのような従来の手法は計算集約的であり、既知の偽音声タイプの知識を損なう危険性がある。 本稿では,新たに登場したニセモノ音声タイプに特化して,低ランク適応行列をトレーニングするコンセプトを紹介する。 当社のアプローチには,ストレージメモリ要件の削減やエラー率の低下など,いくつかのメリットがあります。
  論文  参考訳（メタデータ） (2023-06-08T06:06:42Z)
• Robust multi-item auction design using statistical learning: Overcoming uncertainty in bidders' types distributions [6.5920927560926295]
  提案手法は,非パラメトリック密度推定を用いて,過去の入札から入札者のタイプを正確に推定する。 本機構の効率をさらに高めるために,クエリ削減のための2つの新しい戦略を導入する。 小規模データと大規模データの両方で実施されたシミュレーション実験により、当社のメカニズムは、収益設計やクエリ削減の観点から、既存の手法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-02-02T08:32:55Z)
• Adversarial Gradient Driven Exploration for Deep Click-Through Rate Prediction [39.61776002290324]
  textbfAdrial textbfGradientversa Driven textbfExploration (AGE) と呼ばれる新しい探索手法を提案する。 AGEは勾配更新プロセスをシミュレートし、モデルに対する探索項目のサンプルの影響を近似することができる。 本手法の有効性を,オープンアクセス学術データセットで実証した。
  論文  参考訳（メタデータ） (2021-12-21T12:13:07Z)

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。