論文の概要: Localization Boosting for Growth Markets: Mitigating Cross-Locale Behavioral Bias in Learning-to-Rank

• arxiv url: http://arxiv.org/abs/2605.11272v1
• Date: Mon, 11 May 2026 21:51:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.448418
• Title: Localization Boosting for Growth Markets: Mitigating Cross-Locale Behavioral Bias in Learning-to-Rank
• Title（参考訳）: グロースマーケットのローカライゼーション強化--ラーニング・トゥ・ランドにおけるクロスローカライズ行動バイアスの緩和
• Authors: Suryaa Veerabathiran Seran, Ashwin Naresh Kumar, Tracy Holloway King, Jing Zheng,
• Abstract要約: Adobe Expressの国際展開は進んでいるが、アメリカはコンテンツの供給と対話の量が非常に多い。 クリックオンリーのトレーニングは意味的情報的局所化を抑えることを示す。 本稿では,行動監視,VLMに基づく関連信号,ローカライズ・アウェア・ブーピングを組み合わせた多目的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）: 7.979643893234315
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Adobe Express is expanding internationally, but the US has a disproportionately large content supply and interaction volume. Learning-to-rank (LTR) models trained primarily on behavioral feedback inherit this imbalance: templates popular in US are over-served in non-US locales. This cross-locale exposure bias suppresses local content discoverability and degrades ranking quality in growth locales. We show that click-only training suppresses semantically informative localization features. Adding vision-language model (VLM) graded relevance labels as auxiliary supervision alongside clicks improves semantic alignment but does not preserve local content visibility. We propose a multi-objective framework combining behavioral supervision, VLM-derived relevance signals, and locale-aware boosting. Across five locales, the resulting model improves relevance while restoring stable localization, demonstrating the importance of disentangling exposure from semantic supervision.
• Abstract（参考訳）: Adobe Expressの国際展開は進んでいるが、アメリカはコンテンツの供給と対話の量が非常に多い。 行動フィードバックを中心にトレーニングされたLearning-to-rank(LTR)モデルは、この不均衡を継承する。 このクロスローカライズ露光バイアスは、ローカルコンテンツの発見可能性を抑制し、グロースローカライズにおけるランキング品質を低下させる。 クリックオンリーのトレーニングは意味的情報的局所化を抑えることを示す。 視覚言語モデル(VLM)のグレード付き関連ラベルをクリックと同時に補助的な監視として追加することで、セマンティックアライメントが改善されるが、ローカルコンテンツの可視性は維持されない。 本稿では,行動監視,VLMに基づく関連信号,ローカライズ・アウェア・ブーピングを組み合わせた多目的フレームワークを提案する。 5つのローカライズにまたがって、結果として得られるモデルは、安定したローカライゼーションを維持しながら、関連性を改善し、セマンティック・インスペクションから無関係に露出することの重要性を示す。

関連論文リスト

• HarmoCLIP: Harmonizing Global and Regional Representations in Contrastive Vision-Language Models [63.87966115136411]
  HarmoCLIPはContrastive Language-Image Pre-training内のグローバルおよびリージョン表現を調和させるように設計された新しいフレームワークである。 本研究では,地域レベルでの表現能力を高めるために,地域調整管理戦略を導入する。
  論文  参考訳（メタデータ） (2025-11-27T16:24:53Z)
• Unbiased Region-Language Alignment for Open-Vocabulary Dense Prediction [80.67150791183126]
  事前訓練された視覚言語モデル(VLM)は、印象的なゼロショット認識能力を示したが、それでも高密度予測タスクでは性能が劣っている。 提案するDenseVLMは,非バイアスの領域言語アライメントを,強力な事前学習型VLM表現から学習するためのフレームワークである。 DenseVLMは、オープン語彙オブジェクト検出および画像分割法において、元のVLMを直接置き換えることができることを示す。
  論文  参考訳（メタデータ） (2024-12-09T06:34:23Z)
• FedSOL: Stabilized Orthogonal Learning with Proximal Restrictions in Federated Learning [27.28589196972422]
  フェデレートラーニング(FL)は、個々のクライアントからローカルに訓練されたモデルを集約し、グローバルモデルを構築する。 FLは、クライアントが不均一なデータ分散を持つ場合、大きなパフォーマンス劣化に悩まされることが多い。 本稿では,地域学習とグローバル学習のバランスをとる新しい手法であるFederated Stabilized Orthogonal Learning (FedSOL)を提案する。
  論文  参考訳（メタデータ） (2023-08-24T03:43:02Z)
• Rethinking Client Drift in Federated Learning: A Logit Perspective [125.35844582366441]
  フェデレートラーニング(FL)は、複数のクライアントが分散した方法で協調的に学習し、プライバシ保護を可能にする。 その結果,局所モデルとグローバルモデルとのロジット差は,モデルが継続的に更新されるにつれて増大することがわかった。 我々はFedCSDと呼ばれる新しいアルゴリズムを提案する。FedCSDは、ローカルモデルとグローバルモデルを調整するためのフェデレーションフレームワークにおけるクラスプロトタイプの類似度蒸留である。
  論文  参考訳（メタデータ） (2023-08-20T04:41:01Z)
• Preserving Locality in Vision Transformers for Class Incremental Learning [54.696808348218426]
  ViTを漸進的に訓練すると、注目層は徐々に局所的な特徴に集中できなくなる。 ローカル機能の重要性を強調するために、ローカル性保存アテンション層を考案する。 改良されたモデルは、CIFAR100とImageNet100で一貫してパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-14T07:42:21Z)
• Global Meets Local: Effective Multi-Label Image Classification via Category-Aware Weak Supervision [37.761378069277676]
  本稿では,効果的雑音・確率抑圧を実現するための統一的な枠組みを構築した。 我々はグローバルな特徴とローカルな特徴の相補的な情報を探るため、粒度横断型アテンションモジュールを開発した。 我々のフレームワークは最先端の手法よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2022-11-23T05:39:17Z)

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。