論文の概要: R^3: Advertisement Compliance Rectification via Group-Relative Experience Extractor and Curriculum Reinforcement
- arxiv url: http://arxiv.org/abs/2607.07318v1
- Date: Wed, 08 Jul 2026 12:05:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.365278
- Title: R^3: Advertisement Compliance Rectification via Group-Relative Experience Extractor and Curriculum Reinforcement
- Title（参考訳）: R^3:— グループ相対体験エクストラクタとカリキュラム強化によるコンプライアンス強化
- Abstract要約: 厳格なコンテンツモデレーションはオンライン広告には不可欠だが、毎日何百万もの拒絶につながる。
本稿では,本来の意味的意図の保存とコンプライアンスを調和させる新しいフレームワークR3を提案する。
提案手法は,(1)グループ適応型コンプライアンス体験抽出器を通じて高品質な監視をブートストラップするエクスペリエンス駆動型データ合成フレームワーク,(2)セマンティックな一貫性を最大化しながらコンプライアンスを強制する階層的な学習戦略,(3)テキスト認識,書き換え,産業展開のための再レンダリングをシームレスに統合した総合的ビデオ再生フレームワーク,の3つの重要なイノベーションを統合する。
- 参考スコア（独自算出の注目度）: 14.426627534391086
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rigorous content moderation is crucial for online advertising but leads to millions of daily rejections. This scale renders manual rectification infeasible, particularly for video advertisements. However, existing safety-driven methods often suffer from aggressive over-editing, which compromises the advertiser's original semantic intent merely to satisfy compliance. In this work, we target the rectification of textual violations in video ads, covering both speech transcripts and on-screen text. We propose R^3, a novel framework designed to harmonize compliance with original semantic intent preservation. Our approach integrates three key innovations: (1) an experience-driven data synthesis framework that bootstraps high-quality supervision via a group-Relative compliance experience extractor; (2) a curriculum Reinforcement learning strategy with hierarchical rewards designed to enforce compliance while maximizing semantic consistency; and (3) a comprehensive video Rectification framework seamlessly integrating text recognition, rewriting, and re-rendering for industrial deployment. Extensive experiments on industrial datasets and online A/B testing demonstrate that R^3 significantly outperforms state-of-the-art baselines, achieving an optimal trade-off between violation rectification and intent preservation.
- Abstract（参考訳）: 厳格なコンテンツモデレーションはオンライン広告には不可欠だが、毎日何百万もの拒絶につながる。
このスケールでは、特にビデオ広告において手動の修正が不可能である。
しかし、既存の安全駆動方式は、しばしば攻撃的な過剰編集に悩まされるため、広告主の本来の意味的意図を損なう。
本研究では,ビデオ広告におけるテキスト違反の是正を目標とし,音声書き起こしと画面上テキストの両方をカバーする。
本稿では,R^3を提案する。R^3は,本来の意味的意図の保存とコンプライアンスを調和させる新しいフレームワークである。
提案手法は,(1)グループ適応型コンプライアンス体験抽出器を通じて高品質な監視をブートストラップするエクスペリエンス駆動型データ合成フレームワーク,(2)セマンティックな一貫性を最大化しながらコンプライアンスを強制する階層的な学習戦略,(3)テキスト認識,書き換え,産業展開のための再レンダリングをシームレスに統合した総合的ビデオ再生フレームワーク,の3つの重要なイノベーションを統合する。
産業データセットとオンラインA/Bテストに関する大規模な実験は、R^3が最先端のベースラインを著しく上回り、違反訂正と意図保存のトレードオフを最適に達成していることを示している。
関連論文リスト
- Automatic Red Teaming for Implicit Vulnerabilities of Text-to-Image Models [58.59008920408855]
本稿では,ターゲットモデルのパラメータへのアクセスを必要とせずに,暗黙の脆弱性を明らかにするためのAdvPIE(Adversarial Probing for Implicit VulnErabilities)を提案する。
AdvPIEは、審査員からのフィードバックに基づいて暗黙の敵のプロンプトを生成し、洗練するためのポリシーエージェントを採用する。
標準および安全性に適合したT2Iモデルの実験では、AdvPIE1が暗黙の脆弱性を効果的に発見している。
論文 参考訳（メタデータ） (2026-09-05T13:45:09Z) - Deep Interest Mining with Cross-Modal Alignment for SemanticID Generation in Generative Recommendation [0.0]
Generative Recommendation (GR)は、数兆規模のデータを学習可能な語彙列に圧縮するためにセマンティックID(SID)に依存している。
既存の方法には3つの限界がある。
本稿では,Deep Contextual Interest Mining(DCIM),Cross-Modal Semantic Alignment(CMSA),Quality-Aware Reinforcement Mechanism(QARM)の3つの重要なイノベーションを統合する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-03T13:36:22Z) - Mine and Refine: Optimizing Graded Relevance in E-commerce Search Retrieval [3.1241290518951197]
大規模なeコマース検索要求は、長い尾のノイズの多いクエリに一般化される。
セマンティックテキスト埋め込みのための2段階の「Mine and Refine」コントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-19T18:56:36Z) - RELATE: A Reinforcement Learning-Enhanced LLM Framework for Advertising Text Generation [17.34586562700226]
オンライン広告では、広告テキストはユーザーのエンゲージメントを惹きつけ、広告主の価値を高める上で重要な役割を担っている。
一つのモデル内で生成と客観的アライメントを統一する強化学習に基づくエンドツーエンドフレームワークであるRELATEを提案する。
クリックレベルの信号を超えた究極の広告主の値をより正確に把握するために、変換指向のメトリクスを目的に組み込んで、コンプライアンス制約を多次元報酬として共同でモデル化する。
論文 参考訳（メタデータ） (2026-02-12T10:00:55Z) - RANKVIDEO: Reasoning Reranking for Text-to-Video Retrieval [99.33724613432922]
本稿では,ビデオ検索のための推論に基づくリランカであるRANKVIDEOを紹介する。
RANKVIDEOは、関連性を評価するためにビデオコンテンツを使用するクエリ-ビデオペアを明示的に理由付けている。
大規模なMultiVENT 2.0ベンチマークの実験では、RANKVIDEOは2段階のフレームワーク内での検索性能を一貫して改善している。
論文 参考訳（メタデータ） (2026-02-02T18:40:37Z) - RAVEN++: Pinpointing Fine-Grained Violations in Advertisement Videos with Active Reinforcement Reasoning [28.372254433147564]
RAVEN++は、3つの重要なイノベーションを紹介する新しいフレームワークである。
RL(Active Reinforcement Learning)は、様々な困難のあるサンプルに動的にトレーニングを適用する。
階層的な報酬関数と推論蒸留によって達成された微細粒度換気理解
知識注入、カリキュラムベースの受動RL、アクティブRLを体系的に組み合わせたプログレッシブマルチステージトレーニング。
論文 参考訳（メタデータ） (2025-11-24T14:32:13Z) - All for law and law for all: Adaptive RAG Pipeline for Legal Research [0.8819595592190884]
Retrieval-Augmented Generation (RAG)は、テキスト生成タスクのアプローチ方法を変えました。
この作業では、以前のベースラインを改善した、新しいエンドツーエンドのRAGパイプラインを導入している。
論文 参考訳（メタデータ） (2025-08-18T17:14:03Z) - NAP-Tuning: Neural Augmented Prompt Tuning for Adversarially Robust Vision-Language Models [72.58372335140241]
AdvPT(Adversarial Prompt Tuning)は、視覚言語モデル(VLM)における対向的ロバスト性を高めるための学習可能なテキストプロンプトを導入した。
マルチモーダル適応型プロンプトチューニング(NAP-Tuning)のためのニューラルネットワークフレームワークを提案する。
我々のアプローチは、挑戦的なAutoAttackベンチマークの下で最強のベースラインよりも大幅に改善され、ViT-B16では33.5%、ViT-B32アーキテクチャでは33.0%を上回りました。
論文 参考訳（メタデータ） (2025-06-15T03:34:23Z) - Fact-R1: Towards Explainable Video Misinformation Detection with Deep Reasoning [54.56271651170667]
既存の方法は、しばしば固いテンプレートに過度に適合し、偽りのコンテンツに対する深い推論を欠いている。
FakeVVは10万以上のビデオテキスト対と微粒で解釈可能なアノテーションからなる大規模ベンチマークである。
また、深い推論と協調ルールに基づく強化学習を統合するフレームワークであるFact-R1を提案する。
論文 参考訳（メタデータ） (2025-05-22T16:05:06Z) - GMMFormer v2: An Uncertainty-aware Framework for Partially Relevant Video Retrieval [60.70901959953688]
本稿では,PRVRのための不確実性認識フレームワークであるGMMFormer v2を提案する。
クリップモデリングでは,新しい時間的統合モジュールを用いた強力なベースラインGMMFormerを改良する。
そこで本研究では,テキスト・クリップの微調整に最適なマッチング損失を提案する。
論文 参考訳（メタデータ） (2024-05-22T16:55:31Z) - Noisy-Correspondence Learning for Text-to-Image Person Re-identification [50.07634676709067]
本稿では,雑音対応においても頑健な視覚関係を学習するための新しいロバスト二重埋め込み法(RDE)を提案する。
提案手法は,3つのデータセット上での合成ノイズ対応と非合成ノイズ対応を両立させる。
論文 参考訳（メタデータ） (2023-08-19T05:34:13Z)
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。