論文の概要: Strategy-Aware Parameter-Efficient Adaptation for LLM-based Auto-Bidding

• arxiv url: http://arxiv.org/abs/2607.24232v1
• Date: Mon, 27 Jul 2026 10:08:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.380332
• Title: Strategy-Aware Parameter-Efficient Adaptation for LLM-based Auto-Bidding
• Title（参考訳）: LLMに基づくオートバイディングのための戦略を考慮したパラメータ効率適応
• Abstract要約: SAGEは、効率的な入札のためにLLMによってガイドされた、戦略対応の新しい自動入札フレームワークである。 完全微調整で必要となるトレーニング可能なパラメータの10%未満をチューニングしながら、SAGEが一貫して優れたパフォーマンスを実現していることを示す。
• 参考スコア（独自算出の注目度）: 16.834816807572757
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advertising bidding has evolved from manual strategies to auto-bidding systems better adapted for large-scale, dynamic auction environments. While recent advances in Large Language Models (LLMs) offer strong reasoning for auto-bidding, existing methods suffer from shallow trajectory-text interactions and require costly fine-tuning, hindering the efficient use of pretrained knowledge under diverse constraints. To address these challenges, we propose SAGE, a novel Strategy-aware Auto-bidding framework Guided by LLMs for Efficient bidding. SAGE introduces a parameter-efficient multi-modal alignment framework for constrained auto-bidding with LLMs. Specifically, SAGE comprises three key components: (i) the position augmentation module adopts temporal-semantic positional embeddings to effectively capture the intrinsic dynamics and semantic structures; (ii) the text alignment module leverages gated cross-attention to align the embedding spaces of trajectory and text modalities, enabling effective multi-modal fusion while alleviating the computational overhead caused by long trajectories; (iii) the constraint-gated LoRA module employs constraints as routing signals, activating only a small subset of experts to adapt the behavior of a frozen LLM efficiently. Extensive experiments on large-scale auto-bidding benchmark demonstrate that SAGE consistently achieves superior performance while tuning less than 10% of the trainable parameters required by full fine-tuning. Ablation studies further validate the critical contribution of each component to the framework's overall performance.
• Abstract（参考訳）: 広告入札は手動の戦略から、大規模でダイナミックなオークション環境に適応した自動入札システムへと進化してきた。 近年のLarge Language Models (LLM) の進歩は、オートバイディングの強い推論を提供する一方で、既存の手法は、浅い軌道-テキストの相互作用に悩まされ、コストのかかる微調整を必要とし、様々な制約の下で事前訓練された知識の効率的な使用を妨げる。 これらの課題に対処するため, LLM による効率的な入札のための新しい戦略対応自動入札フレームワーク SAGE を提案する。 SAGE は LLM による制約付きオートバイディングのためのパラメータ効率のよいマルチモーダルアライメントフレームワークを導入している。 具体的には、SAGEは3つのキーコンポーネントから構成される。 一 位置増強モジュールは、時間的意味的位置埋め込みを採用して、本質的力学及び意味的構造を効果的に捉える。 二 テキストアライメントモジュールは、ゲートクロスアテンションを利用して、トラジェクタとテキストモダリティの埋め込み空間を整列し、長いトラジェクタによる計算オーバーヘッドを軽減しつつ、効果的なマルチモーダル融合を可能にする。 3) 制約付き LoRA モジュールは、制限をルーティング信号として使用し、凍結 LLM の動作を効率的に適応するために、少数の専門家のみを活性化する。 大規模自動入札ベンチマークの大規模な実験により、SAGEは、完全な微調整で必要とされるトレーニング可能なパラメータの10%未満をチューニングしながら、一貫して優れたパフォーマンスを実現していることが示された。 アブレーション研究は、フレームワーク全体のパフォーマンスに対する各コンポーネントの重要な貢献をさらに検証します。

関連論文リスト

• AIGB-R1: Self-Evolving Generative Auto-Bidding via Hierarchical Planner-Executor Optimization [23.02295184305076]
  自動入札はオンライン広告において重要な役割を担い、広告主が商業目標を最適化するための入札を自動的に調整する。 推論機能によるAI生成入札を強化することを目的とした,階層的な自己進化型自動入札フレームワークであるAIGB-R1を提案する。 オフライン事前学習とトレーニング後アライメントの2段階パイプラインを採用し,戦略展開のための対話型入札シミュレーション環境を構築した。
  論文  参考訳（メタデータ） (2026-07-19T14:59:12Z)
• Latent Action Reparameterization for Efficient Agent Inference [56.42014061367112]
  本稿では,複数のステップのセマンティックな振る舞いに対応する,コンパクトな潜在行動空間を学習するフレームワークを提案する。 手作りのマクロや階層型コントローラとは異なり、潜在動作はエージェントの軌跡から学習され、モデルに直接統合される。
  論文  参考訳（メタデータ） (2026-05-18T16:07:44Z)
• Efficient and Interpretable Multi-Agent LLM Routing via Ant Colony Optimization [58.59491516762626]
  マルチエージェントシステム(MAS)のための効率的かつ解釈可能なルーティングフレームワークAMRO-Sを提案する。 AMRO-Sは、意味条件付き経路選択問題としてMASルーティングをモデル化し、3つのキーメカニズムを通してルーティング性能を向上させる。 5つの公開ベンチマークと高速ストレステストによる大規模な実験により、AMRO-Sは強いルーティングベースラインに対する品質-コストトレードオフを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-03-13T12:26:05Z)
• LBM: Hierarchical Large Auto-Bidding Model via Reasoning and Acting [29.012758785758262]
  大規模言語モデル(LLM)は、先行する人間の知識と推論能力を活用して、自動入札のパフォーマンスを向上させることで、有望なソリューションを提供する。 本稿では,LLMの推論能力を活かした階層型大規模自動入札モデル(LBM)を提案する。
  論文  参考訳（メタデータ） (2026-03-05T13:01:21Z)
• LLM-MLFFN: Multi-Level Autonomous Driving Behavior Feature Fusion via Large Language Model [8.63792214154021]
  本稿では,LLM-MLFFNについて述べる。 提案する LLM-MLFFN フレームワークは,大規模事前学習モデルの事前処理を統合し,分類精度を高めるためにマルチレベルアプローチを採用する。 オープントラジェクトリデータセットの評価は、提案したLLM-MLFFNの優れた性能を示し、分類精度は94%以上である。
  論文  参考訳（メタデータ） (2026-03-03T02:26:04Z)
• Beyond Unimodal Shortcuts: MLLMs as Cross-Modal Reasoners for Grounded Named Entity Recognition [51.68340973140949]
  GMNER(Multimodal Named Entity Recognition)は、テキストベースのエンティティを抽出し、セマンティックカテゴリを割り当て、それらを対応する視覚領域に接地することを目的としている。 MLLMは、視覚バイアスやテキストバイアスを含む$textbfmodality bias$を示す。 本稿では,モダリティを考慮した一貫性推論(bfMCR$)を提案する。
  論文  参考訳（メタデータ） (2026-02-04T12:12:49Z)
• RISER: Orchestrating Latent Reasoning Skills for Adaptive Activation Steering [62.63376387138257]
  本稿では,アクティベーション空間における大規模言語モデル(LLM)推論を適応的に制御するプラグイン・アンド・プレイ介入フレームワークを提案する。 RISERは再利用可能な推論ベクトルのライブラリを構築し、軽量ルータを使用して各入力に対して動的に構成する。 ルーターは、タスクレベルの報酬の下で強化学習を通じて最適化され、緊急かつ構成的な方法で潜在する認知的プリミティブを活性化する。
  論文  参考訳（メタデータ） (2026-01-14T08:04:33Z)
• AdaDrive: Self-Adaptive Slow-Fast System for Language-Grounded Autonomous Driving [71.55254573283793]
  既存のアプローチでは、Large Language Modelsを頻繁に起動し、過剰な計算オーバーヘッドを引き起こすか、固定スケジュールを使用するかのいずれかである。 我々は,LLMが意思決定にいつ,どのように貢献するかを最適に決定する,適応的に協調的なスローファストフレームワークであるAdaDriveを提案する。 AdaDriveは、リアルタイムのパフォーマンスを損なうことなく、意思決定の精度を最大化するフレキシブルでコンテキスト対応のフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-11-09T07:05:03Z)
• Graft: Integrating the Domain Knowledge via Efficient Parameter Synergy for MLLMs [56.76586846269894]
  MLLM(Multimodal Large Language Models)は、様々な領域で成功している。 その重要性にもかかわらず、ドメイン固有のMLLM間の知識共有の研究はほとんど未調査のままである。 専門家機能のモジュール構成を可能にする統一パラメータ統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-30T15:07:41Z)
• Towards more Contextual Agents: An extractor-Generator Optimization Framework [0.0]
  LLM(Large Language Model)ベースのエージェントは、幅広い汎用アプリケーションにわたる複雑なタスクの解決に顕著な成功を収めている。 しかしながら、それらのパフォーマンスは、専門産業や研究領域のようなコンテキスト固有のシナリオで劣化することが多い。 この課題に対処するため,本研究では,LLMエージェントの文脈適応性を高めるための体系的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-18T15:07:06Z)
• AmoebaLLM: Constructing Any-Shape Large Language Models for Efficient and Instant Deployment [13.977849745488339]
  AmoebaLLMは任意の形状の大規模言語モデルの即時導出を可能にする新しいフレームワークである。 AmoebaLLMは、様々なプラットフォームやアプリケーションに適した迅速なデプロイメントを著しく促進する。
  論文  参考訳（メタデータ） (2024-11-15T22:02:28Z)

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。