論文の概要: DADF: A Distribution-Aware Debiasing Framework for Watch-Time Regression in Recommender Systems

• arxiv url: http://arxiv.org/abs/2605.17863v1
• Date: Mon, 18 May 2026 05:14:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.819061
• Title: DADF: A Distribution-Aware Debiasing Framework for Watch-Time Regression in Recommender Systems
• Title（参考訳）: DADF:Recommenderシステムにおける時計時間回帰のための分散対応脱バイアスフレームワーク
• Authors: Yiqing Yang, Xinlong Zhao, Zhao Liu, Xiao Lv, Ruiming Tang, Han Li, Kun Gai,
• Abstract要約: DADFは、ウォッチタイムレグレッションのための分散対応のデバイアスフレームワークである。 公開ショートビデオベンチマークと大規模産業ランキングシステムを用いたDADFの評価を行った。
• 参考スコア（独自算出の注目度）: 49.99655020662206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Watch-time prediction is a central regression task in short-video recommender systems, where labels are highly long-tailed and residual errors vary systematically across observed watch-time regions. In practice, a model may appear globally calibrated while still overestimating short views and underestimating long views, because opposite errors cancel out in aggregate. Existing methods mainly improve the first-stage watch-time predictor, but often leave such residual distributional bias insufficiently corrected. We propose DADF, a distribution-aware debiasing framework for watch-time regression. Instead of replacing a deployed predictor, DADF performs second-stage multiplicative residual correction on top of it. DADF combines three complementary designs: a dynamic distribution-aware transformation for stabilizing long-tailed correction targets, a debias-factor-aware module for modeling heterogeneous residual patterns using inference-time observable factors, especially video duration, and a multi-label-aware module that exploits auxiliary prediction signals from engagement heads. We evaluate DADF on public short-video benchmarks and a large-scale industrial ranking system. DADF consistently improves both pointwise accuracy and ranking quality across datasets and backbones. In the industrial setting, it achieves a 1.88 percentage-point WUAUC gain over the production baseline, reduces MAE by 12.57%, and yields a statistically significant 0.347% lift in average time spent per device in online A/B testing. These results demonstrate that DADF effectively mitigates local calibration bias and provides a practical plug-in solution for debiasing long-tailed continuous targets. The source code is available at https://github.com/liuzhao09/DADF.
• Abstract（参考訳）: 時計時間予測は短いビデオレコメンデータシステムにおいて中心的な回帰タスクであり、ラベルは非常に長い尾を持ち、残差は観察された時計時間領域によって体系的に異なる。 実際には、モデルはグローバルに校正され、短いビューを過大評価し、長いビューを過小評価する。 既存の手法は主に第1段階の監視時間予測器を改善するが、そのような残留分布バイアスが不十分に修正されることがしばしばある。 DADFは、時計時間回帰のための分散対応脱バイアスフレームワークである。 DADFは、デプロイされた予測器を置き換える代わりに、その上に第2段階の乗算残差補正を行う。 DADFは、長い尾の補正ターゲットを安定化するための動的分布認識変換、推論時可観測因子(特にビデオ時間)を用いた異種残差パターンのモデリングのためのデバイアス要素認識モジュール、エンゲージメントヘッドからの補助予測信号を利用するマルチラベル認識モジュールの3つの相補的な設計を組み合わせる。 公開ショートビデオベンチマークと大規模産業ランキングシステムを用いたDADFの評価を行った。 DADFは、データセットとバックボーン間のポイントワイズ精度とランキング品質を一貫して改善する。 工業環境では、生産ベースラインよりも1.88ポイントのWUAUCゲインを達成し、MAEを12.57%削減し、オンラインA/Bテストでデバイス1台あたりの平均使用時間において統計的に有意な0.347%のリフトを得る。 これらの結果から,DADFは局所キャリブレーションバイアスを効果的に軽減し,長期連続目標の偏りを緩和するための実用的なプラグインソリューションを提供することが示された。 ソースコードはhttps://github.com/liuzhao09/DADFで入手できる。

関連論文リスト

• XGBoost Forecasting of NEPSE Index Log Returns with Walk Forward Validation [1.2347259751353263]
  本研究では,XGBoost回帰器を用いたネパール証券取引所(NEPSE)指数の1段階回帰予測のための頑健な機械学習フレームワークを開発した。 ログリターン(最大30日)と確立された技術指標を含む、包括的な機能セットが設計されている。 実験の結果、最適な構成、20のラグを持つ拡張ウィンドウは、ARIMAとRookの回帰ベンチマークより優れていた。
  論文  参考訳（メタデータ） (2026-01-13T15:22:08Z)
• Rethinking Long-tailed Dataset Distillation: A Uni-Level Framework with Unbiased Recovery and Relabeling [105.8570596633629]
  トラジェクトリに基づく手法の限界を再考することにより,長い尾のデータセット蒸留を再考する。 統計的アライメントの観点からバイアスをモデル化し、公正な監督を復元する。 提案手法は,CIFAR-100-LTで15.6%,Tiny-ImageNet-LTで11.8%向上する。
  論文  参考訳（メタデータ） (2025-11-24T07:57:01Z)
• 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)
• Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
  時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。 本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
  論文  参考訳（メタデータ） (2025-08-18T04:06:26Z)
• A Plug-and-Play Learning-based IMU Bias Factor for Robust Visual-Inertial Odometry [27.62788405443008]
  Inertial Prior Network (IPNet) を利用した新しいプラグアンドプレイモジュールを提案する。 IPNetは、特定のプラットフォームの動作特性を暗黙的にキャプチャすることで、IMUバイアスを推論する。 本研究では、まず、スライドウインドウアプローチを用いて生のIMUデータのみを用いてバイアスを直接推測する。
  論文  参考訳（メタデータ） (2025-03-16T14:45:19Z)
• 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)
• Training Unbiased Diffusion Models From Biased Dataset [18.09610829650175]
  本稿では,拡散モデルのバイアスを軽減するために,時間依存性の重要度再重み付けを提案する。 時間依存密度比が従来の手法よりも精度が高いことを示す。 スコアマッチングに直接適用することは難解であるが、再重み付けとスコア補正の両方に時間依存密度比を用いることで、目的関数の抽出可能な形式に繋がることがわかった。
  論文  参考訳（メタデータ） (2024-03-02T12:06:42Z)
• FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
  時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。 本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:23:41Z)
• SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
  実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。 私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
  論文  参考訳（メタデータ） (2021-03-23T17:48:56Z)

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。