論文の概要: NaiAD: Initiate Data-Driven Research for LLM Advertising

• arxiv url: http://arxiv.org/abs/2605.09918v1
• Date: Mon, 11 May 2026 03:11:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.488434
• Title: NaiAD: Initiate Data-Driven Research for LLM Advertising
• Title（参考訳）: NaiAD: LLM広告のためのデータ駆動リサーチを始める
• Authors: Yihang Zhang, Zimeng Huang, Ren Zhai, Yipeng Kang, Tonghan Wang,
• Abstract要約: LLMネイティブ広告の最初の包括的データセットであるNaiADを紹介する。 NaiADは、ユーザと商用のユーティリティを別々に、包括的にキャプチャする理論的に根拠付けられた評価指標を中心に構成されている。 本稿では,Variance-Calibrated Prediction-Powered Inference (VC-PPI) フレームワークによって調整されたスコアラベルについて述べる。
• 参考スコア（独自算出の注目度）: 5.44847350955449
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconciling platform revenue with user experience in LLM advertising motivates a data-centric foundation. We introduce NaiAD, the first comprehensive dataset for LLM-native advertising comprising 58,999 carefully constructed ad-embedded responses paired with user queries. NaiAD is organized around theoretically grounded evaluation metrics that separately and comprehensively capture user and commercial utility. To mitigate the dimensional collinearity of aligned LLMs, we propose a decoupled generation pipeline that produces structurally diverse samples, ranging from responses that explicitly disentangle stakeholder utilities to responses that are uniformly strong or weak across dimensions. We further provide score labels calibrated by a Variance-Calibrated Prediction-Powered Inference (VC-PPI) framework, aligning automated scoring with human annotations. Mechanistic analyses reveal that successful ad integration relies on reasoning paths that cluster into four distinct semantic strategies. Models leveraging NaiAD internalize these strategies to simultaneously improve user and commercial utility, while enabling independent control over these distinct objectives via in-context learning. Together, these results position NaiAD as a foundational infrastructure for developing future LLM-native ad systems.
• Abstract（参考訳）: LLM広告におけるユーザー体験とプラットフォーム収益の調整は、データ中心の基礎を動機付けている。 我々は,ユーザクエリと組み合わせて,58,999個の広告埋め込み応答を慎重に構築した,LLMネイティブ広告のための最初の包括的なデータセットであるNaiADを紹介した。 NaiADは、ユーザと商用のユーティリティを別々に、包括的にキャプチャする理論的に根拠付けられた評価指標を中心に構成されている。 配向LDMの次元コリニア性を軽減するため, 構造的に多様なサンプルを生成する疎結合生成パイプラインを提案し, 利害関係者の効用を明示的に阻害する応答から, 次元をまたいで一様に強く, 弱い応答まで多岐にわたって生成する。 また,Variance-Calibrated Prediction-Powered Inference (VC-PPI) フレームワークによって校正されたスコアラベルも提供し,自動スコアと人間のアノテーションを整合させる。 メカニスティック分析により、成功した広告統合は4つの異なるセマンティック戦略にクラスターする推論パスに依存していることが明らかになった。 NaiADを利用したモデルでは、これらの戦略を内部化し、ユーザと商用のユーティリティを同時に改善するとともに、コンテキスト内学習を通じて、これらの異なる目的に対する独立した制御を可能にする。 これらの結果は、NaiADを将来のLLMネイティブ広告システムを開発するための基盤基盤として位置づけている。

関連論文リスト

• SUMFORU: An LLM-Based Review Summarization Framework for Personalized Purchase Decision Support [3.755588097509539]
  オンライン製品レビューには、ユーザを圧倒し、効果的な意思決定を妨げるリッチだがノイズの多いシグナルが含まれている。 本稿では,個人別購入決定を支援するために,アウトプットを明示的なユーザペルソナと整合させる,評価可能な要約フレームワークを提案する。 本結果は,次世代の個人化意思決定支援システム構築における多元的アライメントの実現性を強調した。
  論文  参考訳（メタデータ） (2025-12-12T18:05:52Z)
• AI-Salesman: Towards Reliable Large Language Model Driven Telemarketing [79.0112532518727]
  我々はTeleSalesCorpusをリリースした。 次に、デュアルステージアーキテクチャを特徴とする新しいフレームワークであるAI-Salesmanを提案する。 提案したAI-Salesmanは,自動測定と総合的な人的評価の両方において,ベースラインモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2025-11-15T09:44:42Z)
• Tagging the Thought: Unlocking Personalization Reasoning via Reinforcement Learning [28.86134365096663]
  個人化推論のための言語モデルの本質的な能力を高める新しいトレーニングフレームワークであるTagPRを紹介する。 我々の手法は最先端の結果を達成し、すべてのタスクでベースモデルに対して平均32.65%の改善を提供する。
  論文  参考訳（メタデータ） (2025-09-27T06:03:44Z)
• Towards Universal Debiasing for Language Models-based Tabular Data Generation [16.31419748401203]
  我々は,グループレベルの依存性を最小限に抑える汎用的デバイアスフレームワークを導入し,有利属性と保護属性の相互情報を同時に低減する。 当社のフレームワークは公平性とユーティリティのバランスを効果的に保ち、高度アプリケーションでデバイアスを行うためのスケーラブルで実用的なソリューションを提供します。
  論文  参考訳（メタデータ） (2025-09-20T00:06:53Z)
• Latent Factor Models Meets Instructions: Goal-conditioned Latent Factor Discovery without Task Supervision [50.45597801390757]
  Instruct-LFはゴール指向の潜在因子発見システムである。 命令フォロー機能と統計モデルを統合して、ノイズの多いデータセットを処理する。
  論文  参考訳（メタデータ） (2025-02-21T02:03:08Z)
• From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning [52.257422715393574]
  本稿では,Large Language Models (LLMs) の自己誘導手法を導入し,オープンソースデータセットからサクラサンプルを自動識別し,選択する。 我々の重要な革新である命令追従困難度(IFD)メトリックは、モデルが期待する応答と本質的な生成能力の相違を識別するための重要な指標として現れます。
  論文  参考訳（メタデータ） (2023-08-23T09:45:29Z)

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。