論文の概要: LO-FAR: A Cost-Aware Local Filter for Sparse Feature Ranking in Industrial Ad Recommendation

• arxiv url: http://arxiv.org/abs/2607.20873v1
• Date: Thu, 23 Jul 2026 02:52:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.267562
• Title: LO-FAR: A Cost-Aware Local Filter for Sparse Feature Ranking in Industrial Ad Recommendation
• Title（参考訳）: LO-FAR:産業広告勧告におけるスパース特徴ランク付けのためのコスト対応ローカルフィルタ
• Abstract要約: Localized Feature Ranking (LO-FAR)は、CPUのみのモデルに依存しないワークフローで、各候補機能をスタンドアローンのホールトアウト予測信号からランク付けする。 100万以上のログされたインタラクションと475のスパースIDリスト機能からなる運用データセットでは、LO-FARが約2CPU時間でランク付けを完了し、下流の正規化エントロピーゲインを保存する。 このコントリビューションはデプロイ可能なワークフローであり、単純なローカルフィルタは、より重いインタラクションを意識した代替手段よりも実用的なプロダクション選択であることを示している。
• 参考スコア（独自算出の注目度）: 1.4223323354955852
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Industrial ad recommendation models rely heavily on sparse, high-cardinality ID-list features that encode user histories and contextual identifiers. Each is backed by a dedicated embedding table, so these features dominate storage, training, and serving cost and must be revisited as traffic and downstream models evolve. Therefore, sparse feature ranking is not just an offline modeling problem but also a recurrent systems decision limited by compute budgets and iteration cadence. We present Localized Feature Ranking (LO-FAR), a CPU-only, model-agnostic workflow that ranks each candidate feature from its stand-alone held-out predictive signal using lightweight local estimators rather than the GPU-bound retraining loops of permutation- and stochastic-gate-based methods. On a production dataset of more than one million logged interactions and 475 sparse ID-list features, LO-FAR completes ranking in approximately two CPU-hours and preserves downstream Normalized Entropy gains on CTR and CVR tasks that are competitive with shuffle-based importance, Binary Stochastic Neurons, and a coverage-based heuristic across budgets of 100--400 retained features. The contribution is a deployable workflow showing that, when cost and turnaround constraints are binding, a simple local filter can be a practical production choice over heavier interaction-aware alternatives.
• Abstract（参考訳）: インダストリアル広告レコメンデーションモデルは、ユーザ履歴とコンテキスト識別子をエンコードする、スパースで高密度のIDリスト機能に大きく依存している。 それぞれが専用の埋め込みテーブルによってバックアップされているため、これらの機能はストレージ、トレーニング、サービスコストを支配しており、トラフィックと下流モデルが進化するにつれて再検討される必要がある。 したがって、スパース機能ランキングは、単にオフラインモデリングの問題であるだけでなく、計算予算やイテレーションのケイデンスによって制限されたリカレントシステム決定でもある。 提案するLocalized Feature Ranking(LO-FAR)は、CPUのみのモデルに依存しないワークフローで、GPUバウンドな置換と確率ゲートに基づく手法ではなく、軽量な局所推定器を用いて、スタンドアローンのホールトアウト予測信号から各候補特徴をランク付けする。 100万以上のログされたインタラクションと475のスパースIDリスト機能からなるプロダクションデータセット上で、LO-FARは、約2CPU時間でランク付けを完了し、シャッフルベースの重要度と競合するCTRおよびCVRタスクの正規化エントロピーゲイン、バイナリ確率ニューロン、100～400の保持機能を含むカバレッジベースのヒューリスティックを達成している。 このコントリビューションはデプロイ可能なワークフローであり、コストとターンアラウンドの制約がバインドされている場合、単純なローカルフィルタは、より重いインタラクションを意識した代替手段よりも実用的なプロダクション選択であることを示している。

関連論文リスト

• OSR: Output Space Redistribution for Adaptive Label Removal in Classification Models [29.318647429166116]
  本稿では, 出力空間における統計的再分配を利用して, 再学習モデルの除去後の信頼度を近似する手法を提案する。 我々の手法は、データ依存型ソリューションに固有のプライバシー上の懸念を緩和する可能性がある。
  論文  参考訳（メタデータ） (2026-09-03T15:08:18Z)
• Context Features Are Cheap: Rank-Aware Decomposition for Efficient Feature Interaction in Recommender Systems [0.0]
  本稿では,リコメンデータシステムにおける支配的相互作用機構に適用可能なランクアウェア分解について述べる。 この分解は、コンテキストのみの計算を、元のモデルと同等の1/1の要求から1/1の要求に移行する。 DLRMスタイルのランサーをアーキテクチャ変更せずに生産する場合、分解はポッド当たりのスループットを87.5%向上させる。
  論文  参考訳（メタデータ） (2026-05-24T13:35:36Z)
• Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation [7.958594167693376]
  パラメータ化還元次数モデル(ROM)の効率的な再学習戦略を提案する。 この戦略は計算時間の一部を必要としながら、完全再訓練に匹敵する精度を得る。 力学系を考えると、アウト・オブ・サンプル予測における誤差の主な原因は、潜在多様体の歪みに起因することが示される。
  論文  参考訳（メタデータ） (2026-02-26T16:43:28Z)
• Deep Hierarchical Learning with Nested Subspace Networks [53.71337604556311]
  大規模ニューラルネットワークのためのNested Subspace Networks (NSN)を提案する。 NSNは、単一のモデルを連続した計算予算の範囲で動的かつきめ細かな調整を可能にする。 我々は,NSNを訓練済みのLLMに外科的に適用し,スムーズで予測可能な計算性能フロンティアを解き放つことができることを示した。
  論文  参考訳（メタデータ） (2025-09-22T15:13:14Z)
• GLiClass: Generalist Lightweight Model for Sequence Classification Tasks [49.2639069781367]
  本稿では,シーケンス分類タスクにGLiNERアーキテクチャを適用する新しい手法であるGLiClassを提案する。 提案手法は,ゼロショットおよび少数ショット学習シナリオに必要な柔軟性を維持しつつ,埋め込み方式に匹敵する高い精度と効率を実現する。
  論文  参考訳（メタデータ） (2025-08-11T06:22:25Z)
• ShuffleGate: An Efficient and Self-Polarizing Feature Selection Method for Large-Scale Deep Models in Industry [12.690406065558394]
  ShuffleGateはインスタンス間ですべての機能を同時にシャッフルする。 モデルを再トレーニングすることなく、適切に分離された重要なスコアを生成し、パフォーマンスを見積もることができます。 様々なシナリオで、Bilibiliの検索モデルの日々のイテレーションにうまく統合されています。
  論文  参考訳（メタデータ） (2025-03-12T12:05:03Z)
• COrAL: Order-Agnostic Language Modeling for Efficient Iterative Refinement [80.18490952057125]
  反復改良は、複雑なタスクにおける大規模言語モデル(LLM)の能力を高める効果的なパラダイムとして登場した。 我々はこれらの課題を克服するために、コンテキストワイズ順序非依存言語モデリング(COrAL)を提案する。 当社のアプローチでは、管理可能なコンテキストウィンドウ内で複数のトークン依存関係をモデル化しています。
  論文  参考訳（メタデータ） (2024-10-12T23:56:19Z)
• Autonomous Sparse Mean-CVaR Portfolio Optimization [6.358973724565783]
  本稿では,従来のモデルを任意の精度で近似できる,革新的な自律スパース平均CVaRポートフォリオモデルを提案する。 そこで我々は,近似交互線形化最小化アルゴリズムとネストした固定点近接アルゴリズム(どちらも収束)を併用してモデルを反復的に解く手法を提案する。
  論文  参考訳（メタデータ） (2024-05-13T15:16:22Z)
• Detach-ROCKET: Sequential feature selection for time series classification with random convolutional kernels [0.7499722271664144]
  ROCKETに基づくモデルにおいて, 逐次的特徴分離(Sequential Feature Detachment, SFD)を導入する。 SFDは、オリジナルの機能の10%しか使用せずに、より良いテスト精度でモデルを作成することができる。 また,特徴量とモデル精度の最適バランスを決定するためのエンドツーエンドの手法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T20:24:36Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Discrete Key-Value Bottleneck [95.61236311369821]
  ディープニューラルネットワークは、データストリームがi.d.d.であり、ラベル付きデータが豊富である分類タスクでうまく機能する。 この課題に対処した強力なアプローチの1つは、手軽に利用可能なデータ量に対する大規模なエンコーダの事前トレーニングと、タスク固有のチューニングである。 しかし、新しいタスクを考えると、多くの重みを微調整する必要があるため、エンコーダの重みを更新することは困難であり、その結果、以前のタスクに関する情報を忘れてしまう。 この問題に対処するモデルアーキテクチャを提案し,個別かつ学習可能なキー値符号のペアを含む離散的ボトルネックの上に構築する。
  論文  参考訳（メタデータ） (2022-07-22T17:52:30Z)
• Towards Optimal VPU Compiler Cost Modeling by using Neural Networks to Infer Hardware Performances [58.720142291102135]
  VPUNN"は低レベルのタスクプロファイリングに基づいてトレーニングされたニューラルネットワークベースのコストモデルである。 これは、IntelのVPUプロセッサのラインにおける最先端のコストモデリングよりも一貫して優れている。
  論文  参考訳（メタデータ） (2022-05-09T22:48:39Z)
• Dependency Aware Filter Pruning [74.69495455411987]
  重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。 以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。 所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
  論文  参考訳（メタデータ） (2020-05-06T07:41:22Z)

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。