論文の概要: Attributed, But Not Incremental: Cannibalization-Corrected Attribution for Large-Scale Advertising

• arxiv url: http://arxiv.org/abs/2606.26690v1
• Date: Thu, 25 Jun 2026 07:21:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.191283
• Title: Attributed, But Not Incremental: Cannibalization-Corrected Attribution for Large-Scale Advertising
• Title（参考訳）: コントリビュート、しかしインクリメンタルではない:大規模広告に対する共食い補正属性
• Abstract要約: 大規模な有償買収および成長広告システムでは、有償変換は体系的に真の漸進的な成長を誇張する可能性がある。 この帰属・共食いミスマッチは、段階的なROI測定と予算決定を大規模に歪めてしまう可能性がある。 本稿では,スパルスリフト測定を日次補正推定に変換するために,因果アンカーとして漸進性実験を用いる実験校正属性補正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）: 4.0671724658329955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In large-scale paid acquisition and growth advertising systems, production attribution outputs are widely used for daily budget allocation and channel diagnosis. However, paid-attributed conversions such as daily new users (DNU) may systematically overstate true incremental growth when paid channels overlap with organic demand, brand-driven traffic, or other acquisition channels. This attribution-cannibalization mismatch can distort incremental ROI measurement and budget decisions at scale. We propose an experiment-calibrated attribution correction framework that uses incrementality experiments as causal anchors to convert sparse lift measurements into daily correction estimates. To make the corrected signal actionable at production granularity, we further allocate calibrated cannibalization volume across business hierarchies under structural consistency constraints. Offline forward-in-time validation against channel-level incrementality experiment readouts shows that the proposed framework substantially reduces calibration error relative to raw attribution and fine-grained ML baselines. Deployed across multiple global TikTok markets, the system supported budget and traffic strategy adjustments that were followed by an approximately 15-percentage-point reduction in the measured cannibalization rate.
• Abstract（参考訳）: 大規模な有償買収・成長広告システムでは、毎日の予算配分やチャネル診断に生産属性アウトプットが広く使用されている。 しかし、日々の新規ユーザー(DNU)のような有償転向は、有機的需要やブランド駆動のトラフィック、その他の買収チャネルと重複する有料チャネルが真の漸進的な成長を体系的に誇張する可能性がある。 この帰属・共食いミスマッチは、段階的なROI測定と予算決定を大規模に歪めてしまう可能性がある。 本稿では,スパルスリフト測定を日次補正推定に変換するために,因果アンカーとして漸進性実験を用いる実験校正属性補正フレームワークを提案する。 製品粒度で補正信号が動作できるようにするため、構造的整合性制約の下でビジネス階層にわたってキャリブレーションされた共食い量を割り当てる。 チャネルレベルの漸進性実験の読み出しに対するオフラインのフォワード・イン・タイム検証は、提案手法が生の属性ときめ細かいMLベースラインに対するキャリブレーション誤差を大幅に低減することを示している。 複数のグローバルなTikTokマーケットに展開され、予算と交通戦略の調整をサポートし、その後、測定された共食い率を約15%削減した。

関連論文リスト

• From Prediction to Incrementality: Causal Optimization for Large-Scale Targeting and Recommendation [1.8192758370546824]
  グローバル制約下での因果効果を最適化する,意思決定中心のフレームワークを提案する。 我々は、パブリックバンディットデータセット上でのオフラインシミュレーション、ターゲットアーキテクチャアブリケーション、LinkedIn Feedのマーケティングトラフィック上でのオンラインA/Bテストでこれを評価した。 エンドツーエンドの処理ポリシーは、統計学的に有意な$+7.20%のリフトを主要な長期値の指標として提供した。
  論文  参考訳（メタデータ） (2026-08-10T19:54:08Z)
• CanniUplift: A Holistic Framework for Mitigating Seller and Incentive Cannibalization in E-commerce Uplift Modeling [7.571344222809003]
  CanniUpliftは、セラーレベルの共食いとインセンティブレベルの共食いを緩和するための統一されたフレームワークである。 インセンティブ駆動型ノイズに対処するために、リダクションに基づく分解分解を導入する。 合成データと大規模データの両方の実験により、CanniUpliftは最先端のベースラインを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2026-07-06T15:52:38Z)
• TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning [52.67756371231985]
  検証可能な報酬を伴う強化学習(RLVR)は、大規模言語モデルにおける推論とエージェント的行動を強化するための有望なアプローチである。 本稿では,Tree Rollout Allocation for Contrastive Exploration (TRACE)について紹介する。 技術的には、TRACEはロールアウト予算をルートと中間プレフィックスの両方に割り当てている。
  論文  参考訳（メタデータ） (2026-06-09T17:16:03Z)
• Cross-Epoch Adaptive Rollout Optimization for RL Post-Training [5.459625245330074]
  LLMポストトレーニングは、しばしばプロンプト毎に複数のロールアウトをサンプリングする強化学習手法に依存している。 既存のほとんどのアプローチでは、トレーニング信号に大きな違いがあるにも関わらず、すべてのプロンプトに対して固定的なロールアウト予算を使用している。 我々は、固定されたグローバル予算の下でのアダプティブ・ロールアウト・アロケーションについて検討し、即時還元リターンを伴うオンラインリソースアロケーションとして問題を定式化する。
  論文  参考訳（メタデータ） (2026-06-04T02:27:51Z)
• Variance Reduction for Heavy-Tailed Monetization Metrics in Ranking Experiments via Post-Stratification [16.57321202143624]
  本稿では,CUPEDとポストストラテフィケーションを組み合わせたオンライン実験における分散低減のための実践的枠組みを提案する。 ランキング駆動の収益化実験にまたがってShareChatにデプロイされたこの手法は、分散を著しく低減し、意思決定の安定性を向上させる。
  論文  参考訳（メタデータ） (2026-06-02T18:14:14Z)
• Escaping the Diversity Trap in Robotic Manipulation via Anchor-Centric Adaptation [50.23374353859762]
  多様な単発デモを収集することで「最大限のカバレッジ」を達成できる。 我々は、この現象を包括的-密度トレードオフとして定式化する。 Anchor-Centric Adaptation (ACA) は、2段階のフレームワークで、まずコアアンカーでの繰り返しデモを通じてポリシースケルトンを安定化し、次に教師力によるエラーマイニングと制約付き残差更新を通じて高リスク境界までカバー範囲を広げる。
  論文  参考訳（メタデータ） (2026-05-08T07:35:24Z)
• VALOR: Value-Aware Revenue Uplift Modeling with Treatment-Gated Representation for B2B Sales [0.0]
  B2Bの営業組織は、高額な人的資源配分を最適化するために、ゼロインフレーションされた収益分配内で「説得可能な」アカウントを特定しなければならない。 標準昇降フレームワークは高次元空間における処理信号の崩壊と回帰校正と高価値「捕鯨者」のランクの相違に苦慮している 本稿では,両線形相互作用を用いて因果信号の崩壊を防止する,処理ゲート付きスパース・レブンジュネットワークを備えた統合フレームワークであるVALORを紹介する。
  論文  参考訳（メタデータ） (2026-04-02T19:08:23Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• Gradient Rectification for Robust Calibration under Distribution Shift [28.962407770230882]
  ディープニューラルネットワークは、しばしば過信な予測を生成し、安全クリティカルなアプリケーションにおける信頼性を損なう。 対象とするドメイン情報にアクセスせずに動作する新しいキャリブレーションフレームワークを提案する。 本手法は, 配電時の校正性能を向上するとともに, 配電時の校正性能を向上する。
  論文  参考訳（メタデータ） (2025-08-27T12:28:26Z)
• Know What You Don't Know: Uncertainty Calibration of Process Reward Models [6.091078936502421]
  プロセス報酬モデル(PRM)は、推論時間スケーリングアルゴリズムの導出において中心的な役割を果たす。 PRMは、部分的推論ステップが正しい最終回答につながる成功確率を過大評価する傾向がある。 PRM出力を調整して真の成功確率に適合させるキャリブレーション手法を提案する。
  論文  参考訳（メタデータ） (2025-06-11T02:39:26Z)
• Proposal Distribution Calibration for Few-Shot Object Detection [65.19808035019031]
  few-shot object detection (FSOD)では、重度のサンプル不均衡を軽減するために、2段階の訓練パラダイムが広く採用されている。 残念ながら、極端なデータ不足は、提案の分布バイアスを増大させ、RoIヘッドが新しいクラスに進化するのを妨げます。 本稿では,RoIヘッドのローカライゼーションと分類能力を高めるために,単純かつ効果的な提案分布キャリブレーション(PDC)手法を提案する。
  論文  参考訳（メタデータ） (2022-12-15T05:09:11Z)
• Localized Calibration: Metrics and Recalibration [133.07044916594361]
  完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。 次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
  論文  参考訳（メタデータ） (2021-02-22T07:22:12Z)
• Momentum Improves Normalized SGD [51.27183254738711]
  モーメントを追加することで、目的に対する大きなバッチサイズの必要性を確実に排除できることを示す。 本稿では,ResNet-50 や BERT といった大規模タスクの事前学習において,提案手法が有効であることを示す。
  論文  参考訳（メタデータ） (2020-02-09T07:00:54Z)

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。