論文の概要: Decision-Calibrated Conformal Uncertainty for Pacing Decisions in Streaming Advertising

• arxiv url: http://arxiv.org/abs/2606.10187v1
• Date: Mon, 08 Jun 2026 21:26:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.199119
• Title: Decision-Calibrated Conformal Uncertainty for Pacing Decisions in Streaming Advertising
• Title（参考訳）: ストリーミング広告におけるパッシング決定のための決定校正等式不確かさ
• Authors: Prashant Shekhar, Caroline Howard,
• Abstract要約: ペイシングは、将来の不確実な在庫、需要圧力、インクリメンタルレスポンス、およびメンバー-経験負荷に依存する。 我々は,ストリーミング広告における意思決定を行うための,意思決定校正型コンフォメーション・フレームワークを開発した。 このフレームワークは、一般的な予測残差を調整するのではなく、実際にデプロイできるポリシーに対する最大の影響によって、予測エラーを測定する。
• 参考スコア（独自算出の注目度）: 0.5013248430919224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop a decision-calibrated conformal framework for pacing decisions in streaming advertising. Pacing depends on uncertain future inventory, demand pressure, incremental response, and member-experience load. Instead of calibrating a generic forecast residual, the framework measures forecast error by its largest impact on the policies that could actually be deployed. The main theorem shows that the proposed score is the smallest valid uncertainty measure that uniformly protects all deployable pacing policies. Geometrically, it is the support function of the signed policy sensitivity set. Split conformal calibration gives finite-sample coverage for this score. A high-dimensional separation theorem shows that traditional residual calibration can be arbitrarily more conservative by paying for nuisance inventory dimensions, and a robust pacing result combines inventory, response, and experience uncertainty. On public-data-calibrated pacing replays built from Criteo Uplift and KuaiRand datasets, traditional conformal pacing remains unresolved with high residual radii of 7236.7 on Criteo and 4629.4 on KuaiRand. With the proposed decision calibration approach, the uncertainty radii are reduced to 18.4 and 278.6 respectively, with separate margins for value, delivery, budget, and member load. On Criteo, the proposed method certifies a less aggressive pacing policy than the point-forecast baseline, and reduces held-out any-violation rate from 16.7% to 3.3%, with zero budget and member-load violations. On KuaiRand, the choice remains unresolved. In a nutshell, the paper establishes that forecasts, response estimates, and member-experience models should be judged by whether they shrink the uncertainty that the pacing decision uses, as this leads to confident decisions that are not overly conservative.
• Abstract（参考訳）: 我々は,ストリーミング広告における意思決定を行うための,意思決定校正型コンフォメーション・フレームワークを開発した。 ペイシングは、将来の不確実な在庫、需要圧力、インクリメンタルレスポンス、およびメンバー-経験負荷に依存する。 このフレームワークは、一般的な予測残差を調整するのではなく、実際にデプロイできるポリシーに対する最大の影響によって、予測エラーを測定する。 主な定理は、提案されたスコアが、すべての展開可能なペーシングポリシーを均一に保護する最小の妥当な不確実性尺度であることを示している。 幾何学的には、署名されたポリシー感度セットの支持関数である。 分割共形キャリブレーションは、このスコアに対して有限サンプルカバレッジを与える。 高次元分離定理は、従来の余剰キャリブレーションは、ニュアンス在庫の次元に代えて任意に保守的であることを示し、ロバストなペーシング結果は在庫、応答、経験の不確実性を組み合わせている。 Criteo Uplift と KuaiRand のデータセットから作られた公開データの校正されたペーシング・リプレイでは、従来のコンフォメーション・ペーシングは未解決のままであり、Criteo では 7236.7 、KuaiRand では 4629.4 である。 提案した決定校正手法により、不確実半径はそれぞれ18.4および278.6に減少し、価値、納入、予算、およびメンバー負荷の異なるマージンとなる。 Criteoでは、提案手法は、ポイント予測基準よりも攻撃性の低いペーシングポリシーを認定し、いかなる違反率も16.7%から3.3%に減らし、予算のゼロとメンバー負荷違反を解消する。 KuaiRandでは、この選択は未解決のままである。 簡単に言うと、この論文は、予測、応答推定、およびメンバー-経験モデルが、ペーシング決定が使用する不確実性を縮小するかどうかによって判断されるべきであり、これは過度に保守的でない確実な決定につながることを証明している。

関連論文リスト

• Learning Polyhedral Conformal Sets for Robust Optimization [10.504036065018216]
  本稿では,頑健な最適化目標に適した不確実性集合を学習する,意思決定対応型コンフォメーションフレームワークを提案する。 提案手法は,データ駆動型超平面による多面体集合のフレキシブルなファミリーをパラメータ化し,誘導されたロバスト損失を直接最小化することでそれらの幾何学を学習する。 オラクル決定に対する準最適ギャップの有限サンプルカバレッジ保証とバウンダリを提供する。
  論文  参考訳（メタデータ） (2026-05-08T21:39:41Z)
• Rethinking Uncertainty in Segmentation: From Estimation to Decision [0.0]
  医用画像のセグメンテーションでは、不確実性推定がしばしば報告されるが、意思決定を導くために使われることは稀である。 セグメンテーションを2段階のパイプラインとして定式化し、それに続く決定を行い、不確実性のみを最適化することは、達成可能な安全性向上のほとんどを達成できないことを示す。 以上の結果から,最も優れた手法とポリシーの組み合わせは,最大80%のセグメンテーション誤差をわずか25%のdeferralで除去できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-14T19:52:05Z)
• Calibrated Decomposition of Aleatoric and Epistemic Uncertainty in Deep Features for Inference-Time Adaptation [3.018583625592182]
  ほとんどの推定器は、全ての不確実性モードを単一の信頼スコアに分解し、いつより多くの計算を割り当てるか、あるいは推論を調整するべきかについての信頼性の高い推論を防ぐ。 非確実性誘導推論時間選択(Uncertainty-Guided Inference-Time Selection)は,データ駆動型(データ駆動型)とモデル駆動型不確実性を,深い特徴空間で直接的に解消する軽量な推論時間フレームワークである。
  論文  参考訳（メタデータ） (2025-11-15T23:47:30Z)
• Robust Decision Making with Partially Calibrated Forecasts [32.96842403002962]
  我々は、保守的な意思決定者が、より弱い(部分的な)キャリブレーションの保証を受けた予測を行動にマップする方法を検討する。 また,このミニマックス感において,「予測を信頼し,それに従って行動する」という,そのミニマックス最適決定ルールが回復したことを示す。
  論文  参考訳（メタデータ） (2025-10-27T16:09:07Z)
• When Robustness Meets Conservativeness: Conformalized Uncertainty Calibration for Balanced Decision Making [8.234618636958462]
  本稿では,誤発見と後悔の保証を無分布で有限サンプルで提供する新しいフレームワークを提案する。 提案手法は,不規則なフロンティアを追従する有効な推定器を構築する。 これらの結果は、ロバスト性選択を導くための、最初の原則付きデータ駆動手法を提供する。
  論文  参考訳（メタデータ） (2025-10-09T03:38:17Z)
• Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
  CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。 実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。 合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-09-30T17:52:12Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)

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。