論文の概要: CanniUplift: A Holistic Framework for Mitigating Seller and Incentive Cannibalization in E-commerce Uplift Modeling

• arxiv url: http://arxiv.org/abs/2607.05242v1
• Date: Mon, 06 Jul 2026 15:52:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.229535
• Title: CanniUplift: A Holistic Framework for Mitigating Seller and Incentive Cannibalization in E-commerce Uplift Modeling
• Title（参考訳）: CanniUplift:Eコマースアップリフトモデリングにおけるセラーとインセンティブの共食いを緩和するための全体論的なフレームワーク
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.571344222809003
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized incentive allocation is vital for e-commerce, where uplift modeling is the standard for estimating Individual Treatment Effects (ITE). However, traditional models often fail in complex multi-seller environments with violations of the Stable Unit Treatment Value Assumption (SUTVA). We identify two critical challenges: Seller-level Cannibalization, where incentives shift expenditure between shops without growing the platform, and Incentive-level Cannibalization, where organic conversions or alternative rewards introduce significant noise into incrementality estimation. In this paper, we propose CanniUplift, a unified framework to mitigate these dual-source cannibalization effects. Specifically, we design Platform-level Global Alignment (PGA) to capture cross-shop substitution through global GMV consistency constraints. To tackle incentive-driven noise, we introduce Redemption-based Decomposition Denoising (RDD), which uses redemption behavior to decompose treated outcomes and reduce attribution noise within an entire-space framework. Furthermore, a Treat-Attention mechanism is designed to model intricate interactions between users' historical behaviors and current treatment options. Extensive experiments on both synthetic and large-scale industrial datasets demonstrate that CanniUplift significantly outperforms state-of-the-art baselines. Ablation studies confirm that the integration of PGA and RDD consistently improves wAUUC and wQINI. Successfully deployed online, our framework achieved a 4.08% relative increase in platform-wide incremental GMV (Delta GMV) over the production baseline and improved ROI in online A/B tests, proving effective in driving global platform growth.
• Abstract（参考訳）: パーソナライズされたインセンティブアロケーションは、個別治療効果(ITE)を推定するための標準であるアップリフトモデリング(uplift modeling)において、電子商取引において不可欠である。 しかし、従来のモデルは、SUTVA(Stable Unit Treatment Value Assumption)に違反する複雑なマルチセラー環境で失敗することが多い。 販売者レベルの共食い(Seller-level Cannibalization)では、プラットフォームを成長させることなく店舗間でインセンティブが支出をシフトするが、インセンティブレベルの共食い(Incentive-level Cannibalization)では、有機的変換や代替的な報酬がインクリメンタルな評価に大きなノイズをもたらす。 本稿では,CanniUpliftを提案する。CanniUpliftは,これら2つのソース共食い効果を緩和する統合フレームワークである。 具体的には,プラットフォームレベルのグローバルアライメント(PGA)を設計し,グローバルなGMV整合性制約を通じて,クロスショップの代替品を捕捉する。 インセンティブ駆動型ノイズに対処するため,リダクションに基づく分解分解(RDD)を導入し,処理結果を分解し,空間全体における帰属ノイズを低減する。 さらに、ユーザの履歴行動と現在の治療オプションの間の複雑な相互作用をモデル化する。 合成および大規模産業データセットの広範な実験により、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。 アブレーション研究は、PGAとRDDの統合がwAUUCとwQINIを一貫して改善することを確認する。 我々のフレームワークは、オンラインにデプロイされ、プロダクションベースラインよりもプラットフォーム全体のインクリメンタルGMV(Delta GMV)が4.08%増加し、オンラインA/BテストのROIが改善された。

関連論文リスト

• Generative Optimization for Incentivized Advertising with Global Level Constraints [22.46351828626369]
  GOALは条件付きシーケンス生成問題としてインセンティブアロケーションを定式化する制約対応生成フレームワークである。 GOALは,強いベースラインに比べてROI違反率を大幅に低減しつつ,長期的収益とユーザ維持を改善していることを示す。
  論文  参考訳（メタデータ） (2026-08-05T04:04:07Z)
• Scaling and Stabilizing Large-Scale Embedding-Based Retrieval [16.34687313227663]
  我々は、信号品質とモデル進化の両方に対処する統合パイプラインをウォルマートに展開する。 ドメイン固有の専門知識をレガシモデルから新しいバックボーンに転送するワームスタート蒸留技術を導入する。 提案されたパイプラインは実運用で展開され、NDCG@5で+7.34%改善され、収益で+0.50%上昇した。
  論文  参考訳（メタデータ） (2026-07-11T03:24:26Z)
• 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)
• UniScale: Synergistic Entire Space Data and Model Scaling for Search Ranking [16.652956438207962]
  大規模言語モデル (LLMs) は、産業検索、広告、レコメンデーションシステムにおける法研究の規模拡大にインスピレーションを与えている。 既存のアプローチは主に、データとアーキテクチャ設計の間の重要な相乗効果を見越して、アーキテクチャの改善に焦点を当てています。 データとアーキテクチャを協調的に最適化する新しい共同設計フレームワークであるUniScaleを提案する。
  論文  参考訳（メタデータ） (2026-03-25T12:00:26Z)
• PRECTR-V2:Unified Relevance-CTR Framework with Cross-User Preference Mining, Exposure Bias Correction, and LLM-Distilled Encoder Optimization [6.17916814159778]
  検索システムでは、検索関連性マッチングとクリックスルー率(CTR)予測の2つのコア目標を効果的に調整することが重要である。 グローバルなレバレンス選好をマイニングすることで,低活性ユーザのスパース行動問題を緩和するPreCTR-V2を提案する。 このエンコーダは凍ったBERTモジュールを置き換え、CTRの微調整に適応し、従来のEmb+MLPパラダイムを超えて前進する。
  論文  参考訳（メタデータ） (2026-02-24T08:26:17Z)
• Mitigating Reward Hacking in RLHF via Bayesian Non-negative Reward Modeling [49.41422138354821]
  非負の因子分析をBradley-Terry選好モデルに統合する原理的報酬モデリングフレームワークを提案する。 BNRMは、スパースで非負の潜在因子生成過程を通じて報酬を表す。 BNRMは報酬の過度な最適化を著しく軽減し、分布シフトによるロバスト性を改善し、強いベースラインよりも解釈可能な報酬分解をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-02-11T08:14:11Z)
• Beyond Quantity: Trajectory Diversity Scaling for Code Agents [51.71414642763219]
  Trajectory Diversity Scalingは、コードエージェントのためのデータ合成フレームワークである。 TDScalingは、(1)実際のサービスの論理的依存関係をキャプチャするBusiness Clusterメカニズム、(2)軌道コヒーレンスを強制するブループリント駆動のマルチエージェントパラダイム、(3)ロングテールシナリオを指向する適応的な進化メカニズムの4つの革新を統合しています。
  論文  参考訳（メタデータ） (2026-02-03T07:43:03Z)
• SoliReward: Mitigating Susceptibility to Reward Hacking and Annotation Noise in Video Generation Reward Models [53.19726629537694]
  ビデオ生成モデルと人間の好みのトレーニング後のアライメントは、重要な目標である。 現在のデータ収集パラダイムは、プロンプト内のペアワイズアノテーションに依存しており、ノイズのラベル付けに悩まされている。 ビデオRMトレーニングのための体系的フレームワークであるSoliRewardを提案する。
  論文  参考訳（メタデータ） (2025-12-17T14:28:23Z)
• Generative Large-Scale Pre-trained Models for Automated Ad Bidding Optimization [5.460538555236247]
  GRAD(Generative Reward-driven Ad-bidding with Mixture-of-Experts)を提案する。 GRADはプラットフォーム収益を大幅に向上させ、現代の広告主の進化的かつ多様な要求に対処する上での有効性を強調した。
  論文  参考訳（メタデータ） (2025-08-04T02:46:18Z)
• Incentive-Compatible Federated Learning with Stackelberg Game Modeling [11.863770989724959]
  適応ガンマベースのStackelbergゲームに基づく新しいフェデレートラーニングフレームワークであるFLammaを紹介する。 当社のアプローチでは、サーバがリーダとして機能し、動的に崩壊要因を調整し、クライアントはフォロワーとして、その効用を最大化するローカルエポックの数を最適に選択します。 時間が経つにつれて、サーバはクライアントの影響を徐々にバランスさせ、最初は高いコントリビューションのクライアントに報酬を与え、その影響を徐々にレベルアップさせ、システムをStackelberg Equilibriumに誘導する。
  論文  参考訳（メタデータ） (2025-01-05T21:04:41Z)
• Restore Anything Model via Efficient Degradation Adaptation [129.38475243424563]
  RAMは、様々な劣化にまたがる固有の類似性を活用して、効率的で包括的な復元を可能にする統一された経路を取る。 RAMのSOTA性能はRAMのSOTA性能を確認し、トレーニング可能なパラメータで約82%、FLOPで約85%のモデルの複雑さを減少させる。
  論文  参考訳（メタデータ） (2024-07-18T10:26:53Z)
• Model-based Causal Bayesian Optimization [74.78486244786083]
  乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。 グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。 我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
  論文  参考訳（メタデータ） (2023-07-31T13:02:36Z)
• Slimmable Domain Adaptation [112.19652651687402]
  重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。 私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-06-14T06:28:04Z)

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。