論文の概要: Breaking the Loop: An Empirical Comparison of Strategies for Novelty and Freshness in YouTube Music
- arxiv url: http://arxiv.org/abs/2607.23749v1
- Date: Sun, 26 Jul 2026 16:50:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.217667
- Title: Breaking the Loop: An Empirical Comparison of Strategies for Novelty and Freshness in YouTube Music
- Title（参考訳）: ループを破る:YouTube Musicのノベルティとフレッシュネスの戦略を実証的に比較する
- Abstract要約: 音楽レコメンデーションにおける継続的なトレーニングされたランキングモデルは、以前消費されたアイテムがレコメンデーションを支配しているフィードバックループに陥る。
これにより、新しいリリース(一時的な新鮮さ)と未登録アイテム(ノベルティ)の2つの異なるコンテンツクラスが抑制される。
6回の介入とYouTube Musicのホームページでの併用実験について、オンラインA/Bテストの結果を報告する。
- 参考スコア（独自算出の注目度）: 0.38012240747030845
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Continuously trained ranking models in music recommenders fall into feedback loops where previously consumed items dominate recommendations. This suppresses two distinct content classes: new releases (temporal freshness) and unlistened catalog items (novelty). Industry practitioners have a wide menu of interventions available, ranging from serving-time heuristics, training-data reweighting, architectural debiasing, to uncertainty-driven exploration, each of which are well understood in academic settings. But live systems offer challenges with continuously ingested content, interconnected components, and practical limitations that counteract the findings from academic research. We report results from off-policy online A/B tests for six interventions and a combination experiment across four conceptual layers (serving, training, architecture, exploration) on the YouTube Music homepage. All interventions modify the ranking model or the serving layer that consumes its scores; candidate generation and other upstream components are held fixed. We discuss key takeaways from our results: first, serving-time interventions on continuously trained systems are neutralized by the learning loop. Second, architectural debiasing reduces popularity dominance and improves diversity but does not create discovery, while carrying hidden integration costs. Finally, uncertainty-driven exploration interventions with a Spectral-normalized Neural Gaussian Process (SNGP) head produce the largest new-release lift, though they come with a measurable engagement or diversity tradeoff. We close with recommendations on which layer to intervene at, and the hidden costs of each choice.
- Abstract（参考訳）: 音楽レコメンデーションにおける継続的なトレーニングされたランキングモデルは、以前消費されたアイテムがレコメンデーションを支配しているフィードバックループに陥る。
これにより、新しいリリース(一時的な新鮮さ)と未登録のカタログアイテム(ノベルティ)という、2つの異なるコンテンツクラスが抑制される。
業界の実践者は、サービスタイムヒューリスティックス、トレーニングデータ再重み付け、アーキテクチャのデバイアス、不確実性による探索など、幅広い介入のメニューを持ち、それぞれが学術的な環境でよく理解されている。
しかし、ライブシステムは、継続的に摂取されるコンテンツ、相互接続されたコンポーネント、そして学術研究の発見に反する実践的な制限を伴う課題を提供する。
6つの介入のためのオンラインA/Bテストの結果と、YouTube Musicホームページ上の4つの概念的レイヤ(サービス、トレーニング、アーキテクチャ、探索)にわたる組み合わせ実験の結果を報告する。
すべての介入はランキングモデルまたはそのスコアを消費するサービス層を変更し、候補生成やその他の上流コンポーネントは固定される。
まず、継続的に訓練されたシステムに対するサービス時間の介入は、学習ループによって中和される。
第二に、アーキテクチャのデバイアスは人気を低下させ、多様性を向上させるが、隠れた統合コストを担いながら発見を起こさない。
最後に、スペクトル正規化ニューラルガウシアンプロセス(SNGP)による不確実性駆動による探索介入は、測定可能なエンゲージメントや多様性のトレードオフを伴うものの、最大の新リリースリフトを生み出す。
私たちは、どのレイヤに介入すべきか、そしてそれぞれの選択の隠れたコストについて、推奨事項を締めくくります。
関連論文リスト
- TALON: Test-time Adaptive Learning for On-the-Fly Category Discovery [30.10914068071538]
On-the-fly category discovery (OCD) は、未知のオンラインストリームから新しいカテゴリを同時に発見しながら、既知のカテゴリを認識することを目的としている。
既存のアプローチはオフラインでトレーニングされた機能抽出器を凍結し、ハッシュベースのフレームワークを使用して、機能をクラスプロトタイプとしてバイナリコードに定量化する。
本稿では,発見による学習を可能にするテスト時間適応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-09T08:14:58Z) - Self-Ensemble Post Learning for Noisy Domain Generalization [18.4218677759831]
本稿では,ノイズに対処する際の既存手法のやり直し方法について検討する。
モデル内の潜在機能には、特定の識別能力があることが分かりました。
本稿では,活用可能な特徴を多様化するセルフアンサンブル・ポストラーニング手法を提案する。
論文 参考訳（メタデータ） (2025-12-11T17:09:35Z) - Finding Interest Needle in Popularity Haystack: Improving Retrieval by Modeling Item Exposure [8.3095709445007]
本稿では、アイテムの露出確率を明示的にモデル化し、推論時に検索ステージランキングを調整する、露出認識型検索スコアリング手法を提案する。
実世界のビデオレコメンデーションシステムにおけるオンラインA/B実験によるアプローチの有効性を検証し、一意に検索されたアイテムの25%増加と、過度な人気コンテンツの優位性の40%低下を実証した。
本研究は,検索段階で人気バイアスを緩和するためのスケーラブルでデプロイ可能なソリューションを構築し,バイアス認識のパーソナライゼーションのための新しいパラダイムを提供する。
論文 参考訳（メタデータ） (2025-03-31T00:04:01Z) - ReconBoost: Boosting Can Achieve Modality Reconcilement [89.4377895465204]
我々は、調和を達成するために、モダリティ代替学習パラダイムについて研究する。
固定モードを毎回更新するReconBoostと呼ばれる新しい手法を提案する。
提案手法はFriedman's Gradient-Boosting (GB) アルゴリズムに似ており,更新された学習者が他者による誤りを訂正できることを示す。
論文 参考訳（メタデータ） (2024-05-15T13:22:39Z) - Watch Your Step: Optimal Retrieval for Continual Learning at Scale [1.7265013728931]
連続学習では、モデルは古いタスクと新しいタスクの間の干渉を最小限にしながら、時間とともに漸進的に学習する。
継続的学習における最も広く使われているアプローチの1つは、リプレイと呼ばれる。
本稿では,単純で独立したクラス選択型プリミティブとサンプル選択型プリミティブによって分類された選択的検索戦略を評価するためのフレームワークを提案する。
本稿では,重複したリプレイを防止し,損失値の低い新しいサンプルをリプレイなしで学習できるかどうかを探索する戦略を提案する。
論文 参考訳（メタデータ） (2024-04-16T17:35:35Z) - Understanding and Mitigating Overfitting in Prompt Tuning for
Vision-Language Models [108.13378788663196]
本稿では, トレーニング過程全体において, 低ランク部分空間にバックプロパゲーションの勾配を投影するSubspace Prompt Tuning(SubPT)を提案する。
我々はCoOpにノベル・ラーナー・フィーチャー(NFL)を装備し、学習したプロンプトをトレーニングセット以外の新しいカテゴリに一般化する能力を高める。
論文 参考訳（メタデータ） (2022-11-04T02:06:22Z) - Contrastive Learning for Cross-Domain Open World Recognition [17.660958043781154]
進化する能力は、知識が製造者によって注入されるものに限定されない貴重な自律エージェントにとって基本的なものである。
新しいクラスをインクリメンタルに含めるのに適した機能空間を学習し、様々な視覚領域にまたがる知識を捉えることができることを示す。
本手法は,学習エピソードごとの効果的な停止基準を付与し,新たな自己ペースしきい値設定戦略を活用する。
論文 参考訳（メタデータ） (2022-03-17T11:23:53Z) - vCLIMB: A Novel Video Class Incremental Learning Benchmark [53.90485760679411]
本稿では,ビデオ連続学習ベンチマークvCLIMBを紹介する。
vCLIMBは、ビデオ連続学習における深層モデルの破滅的な忘れを解析するための標準化されたテストベッドである。
本稿では,メモリベース連続学習法に適用可能な時間的整合性正規化を提案する。
論文 参考訳（メタデータ） (2022-01-23T22:14:17Z) - Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。
まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。
第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
論文 参考訳（メタデータ） (2021-01-20T11:48:12Z) - Combinatorial Pure Exploration with Full-bandit Feedback and Beyond:
Solving Combinatorial Optimization under Uncertainty with Limited Observation [70.41056265629815]
最適化アルゴリズムを開発する際、エッジウェイトなどのパラメータが入力として正確に知られていることが一般的である。
本稿では、最近、限られたフィードバックを伴う純粋探索問題に対する手法について概説する。
論文 参考訳（メタデータ） (2020-12-31T12:40:52Z) - Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。
より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。
5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
論文 参考訳（メタデータ） (2020-07-17T15:41:37Z)
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。