論文の概要: Break the Inaccessible Boundary: Distilling Post-Conversion Content for User Retention Modeling

• arxiv url: http://arxiv.org/abs/2604.25839v1
• Date: Tue, 28 Apr 2026 16:45:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.954018
• Title: Break the Inaccessible Boundary: Distilling Post-Conversion Content for User Retention Modeling
• Title（参考訳）: アクセシブル境界を破る: ユーザ保持モデリングのための変換後コンテンツを蒸留する
• Authors: Tianbao Ma, Ruochen Yang, Chengen Li, Yuexin Shi, Jiangxia Cao, Linxun Chen, Zhaojie Liu, Yanan Niu, Han Li, Kun Gai,
• Abstract要約: 本稿では,2段階の蒸留調整フレームワークであるOCARMを提案する。 我々のフレームワークは、現実世界の成長シナリオにおいて一貫した改善を実現している。
• 参考スコア（独自算出の注目度）: 20.5865541101278
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: User retention is a key metric to measure long-term engagement in modern platforms. In real-time bidding (RTB) advertising system for user re-engagement, the retention model is required to predict future revisit probability at bidding time, before the user converts and consumes any content. Although post-conversion content, termed Onboarding Content, provides highly informative signals for retention prediction, directly using it in training causes severe feature leakage and creates a gap between training and serving. To address this issue, we propose OCARM, a two-stage distillation-aligned framework for Onboarding Content Augmented Retention Modeling, enabling the model to implicitly capture future content using only observable features during inference. In the first stage, we deliberately expose onboarding content to train a hierarchical encoder that produces teacher representations. In the second stage, a user encoder is aligned with the frozen teacher through distillation, allowing the model to approximate the inaccessible onboarding signals without leakage. Extensive offline experiments and online A/B tests demonstrate that our framework achieves consistent improvements in a real-world growth scenario.
• Abstract（参考訳）: ユーザ保持は、現代のプラットフォームにおける長期的なエンゲージメントを測定するための重要な指標です。 ユーザ再エンゲージメントのためのリアルタイム入札(RTB)広告システムでは、ユーザがコンバージョンして消費する前に、入札時に将来の再訪確率を予測するために保持モデルが必要である。 コンバージョン後コンテンツは、オンボーディングコンテンツと呼ばれ、保持予測のために非常に情報性の高い信号を提供するが、トレーニングで直接使用すると、深刻な特徴リークが発生し、トレーニングとサービスの間のギャップが生じる。 この問題に対処するため、OCARMは、オンボーディングコンテンツ拡張保持モデリングのための2段階の蒸留調整フレームワークであり、推論中に観測可能な機能のみを使用して、モデルが暗黙的に将来のコンテンツをキャプチャすることを可能にする。 第1段階では,教師表現を生成する階層型エンコーダを学習するために,入出力コンテンツを意図的に公開する。 第2段階では、利用者エンコーダは、蒸留により凍結教師と整列し、そのモデルが漏れることなく、アクセス不能なオンボーディング信号を近似することができる。 大規模なオフライン実験とオンラインA/Bテストは、我々のフレームワークが現実世界の成長シナリオにおいて一貫した改善を達成していることを示している。

関連論文リスト

• Explicit Uncertainty Modeling for Active CLIP Adaptation with Dual Prompt Tuning [51.99383151474742]
  デュアルプロンプトチューニングに基づくアクティブCLIP適応のためのロバストな不確実性モデリングフレームワークを提案する。 提案手法は,同一のアノテーション予算の下で,既存のアクティブラーニング手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-04T09:01:55Z)
• Retentive Relevance: Capturing Long-Term User Value in Recommendation Systems [29.596401271139797]
  本稿では,新しいコンテンツレベル調査に基づくフィードバック尺度であるRetentive Relevanceを紹介する。 Retentive Relevanceは、ユーザーが同様のコンテンツのためにプラットフォームに戻る意図を直接評価する。 これらの結果から,Retentive Relevanceは,エンゲージメント信号および他の調査指標よりも,翌日のリテンションの予測に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-10-08T23:38:57Z)
• StPR: Spatiotemporal Preservation and Routing for Exemplar-Free Video Class-Incremental Learning [79.44594332189018]
  CIL(Class-Incremental Learning)は、以前取得した知識を使わずに、時間とともに新しいアクションカテゴリを継続的に学習するモデルの開発を目指している。 既存のアプローチでは、メモリとプライバシに関する懸念を忘れたり、あるいは時間的モデリングを無視する静的なイメージベースのメソッドを適用したりする。 本稿では,情報を明示的に切り離して保存する,統一的で非定型なVCILフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-20T06:46:51Z)
• Retrieval-Enhanced Contrastive Vision-Text Models [61.783728119255365]
  そこで本研究では,メモリから取得したクロスモーダルな情報を推論時に表現することで,その埋め込みを洗練できる視覚テキストモデルを提案する。 注目すべきことに、これは凍ったCLIPの上に軽量の単層核融合トランスを用いて行うことができる。 検索強化コントラスト訓練(RECO)がCLIPの性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-06-12T15:52:02Z)
• Learning from Future: A Novel Self-Training Framework for Semantic Segmentation [33.66516999361252]
  自己学習は半教師あり学習において大きな可能性を秘めている。 本稿では,モデルが未来から学べる,新たな自己学習戦略を提案する。 我々は,幅広い環境下でのアプローチの有効性と優位性を実験的に実証した。
  論文  参考訳（メタデータ） (2022-09-15T01:39:46Z)
• Privileged Knowledge Distillation for Online Action Detection [114.5213840651675]
  リアルタイム予測タスクに対処するフレーム単位のラベル付けタスクとして,ビデオ中のオンラインアクション検出(OAD)を提案する。 本稿では,トレーニング段階においてのみ観測可能な未来のフレームを特権情報の一種とみなすオンライン行動検出のための,新たな学習支援型フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T08:52:15Z)

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。