論文の概要: TWICE: Two-Clock, Two-Window Learning for Long-Horizon Conversion Prediction in Online Advertising

• arxiv url: http://arxiv.org/abs/2607.25404v1
• Date: Tue, 28 Jul 2026 08:02:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.753919
• Title: TWICE: Two-Clock, Two-Window Learning for Long-Horizon Conversion Prediction in Online Advertising
• Title（参考訳）: TWICE:オンライン広告における長軸変換予測のための2クロック2ウィンドウ学習
• Abstract要約: 遅延したフィードバックの下でのロングホライゾン変換予測は、オンライン広告において2時間2ウィンドウ学習の問題を生み出す。 本稿では,CVR(long-horizon post-Click conversion rate)をターゲットウィンドウ変換確率に分解するフレームワークであるTWICEを提案する。 公開ベンチマークと産業広告データセットの実験は、TWICEの有効性を実証している。
• 参考スコア（独自算出の注目度）: 10.748827060833527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-horizon conversion prediction under delayed feedback creates a two-clock, two-window learning problem in online advertising. A short base observation window releases recent clicks on the click clock before their outcomes mature, whereas conversions continue to arrive on the conversion clock throughout a longer target conversion window. The click clock provides timely but partially observed status supervision. The conversion clock reveals long-tail delays, but the delay composition within an arrival-time slice is weighted by historical click cohorts with different traffic volumes and target-window conversion rates. We present TWICE, a framework that factorizes long-horizon post-click conversion rate (CVR) into a target-window conversion probability and a grouped elapsed-delay cumulative distribution function (CDF). The two clocks provide complementary supervision. Click-clock records train the target-window CVR head through a current-status likelihood over the base observation window. Newly arrived conversions train the delay model on the conversion clock. To account for the cohort mixture, TWICE uses fixed click-time predicted CVR (pCVR) mass as cohort exposure in an arrival-conditioned likelihood. This accounts for differences in cohort traffic and conversion propensity. The resulting aggregate records are self-contained. A single learned CDF produces monotone predictions for all requested horizons up to the target conversion window. Serving requires neither historical lookup nor convolution. Experiments on a public benchmark and an industrial advertising dataset demonstrate the effectiveness of TWICE. In an online A/B test in Kwai's advertising system, TWICE increased expected revenue, revenue, and conversions by 2.486%, 1.858%, and 2.061%, respectively. It was subsequently deployed to full traffic.
• Abstract（参考訳）: 遅延したフィードバックの下でのロングホライゾン変換予測は、オンライン広告において2時間2ウィンドウ学習の問題を生み出す。 短いベース観察ウィンドウは、結果が成熟する前にクリッククロックの最近のクリックを解放するが、変換はより長いターゲット変換ウィンドウを通して変換クロックに到達し続ける。 クリッククロックは、タイムリーだが部分的に観察されたステータス監視を提供する。 変換クロックは長いテール遅延を露呈するが、到着時スライス内の遅延組成は、交通量や目標風換算率の異なる履歴クリックコホートによって重み付けされる。 本稿では,長い水平後クリック変換率(CVR)を目標ウィンドウ変換確率とグループ時間遅れ累積分布関数(CDF)に分解するフレームワークであるTWICEを提案する。 2つの時計は補助的な監視を提供する。 クリックタイム記録は、ベース観測ウィンドウ上の電流統計確率を通して、ターゲットウィンドウのCVRヘッドを訓練する。 新しく到着した変換は、変換クロック上で遅延モデルを訓練する。 コホート混合を説明するため、TWICEは着信条件下でのコホート露光として、固定クリックタイム予測CVR(pCVR)質量を使用する。 これはコホートトラフィックと変換確率の違いを考慮に入れている。 結果として得られた集計記録は自己完結する。 単一の学習CDFは、要求されたすべての水平線に対して、ターゲット変換ウィンドウまでの単調な予測を生成する。 実行には、歴史的なルックアップも畳み込みも必要ありません。 公開ベンチマークと産業広告データセットの実験は、TWICEの有効性を実証している。 クウェーの広告システムにおけるオンラインA/Bテストでは、TWICEはそれぞれ2.486%、1.858%、2.061%の収益、収益、コンバージョンが増加した。 その後、全車に配備された。

関連論文リスト

• LeVJEPA: Efficient & Scalable Video Pretraining without the Heuristics [50.45297537821907]
  我々はLeJEPAの崩壊のない目的の下で訓練された最初のビデオエンコーダLeVJEPAを紹介する。 単一のエンコーダは、クリップのグローバルおよびローカルビューよりも分散損失で訓練される。 LeVJEPAはV-JEPA 2とVT-S/B/Lの5.6から20.8倍の速さで一致または超える。
  論文  参考訳（メタデータ） (2026-08-27T17:26:24Z)
• MARCO: Click-Intent Decomposition for Calibrated Ads Conversion Prediction [31.422771243113758]
  産業広告ランキングでは、コンバージョン確率をクリックスルーレート(CTR)とクリック後コンバージョンレート(CVR)に切り離している。 同じ広告上の異なるクリックタイプは、実際のコンバージョン率の4倍の違いを示す。 これらの信号を混同することで、標準のCVRモデルは、高インテントクリックを過度に予測し、低インテントクリックを過度に予測する。 我々は,各クリックを意図的に分解することで,このバイアスを解決するフレームワークであるMARCOを提案する。
  論文  参考訳（メタデータ） (2026-08-11T06:49:59Z)
• VVS: Accelerating Speculative Decoding for Visual Autoregressive Generation via Partial Verification Skipping [52.58270801983525]
  投機的復号法(SD)は視覚ARモデルの高速化に有効であることが証明されている。 部分的検証スキップによる視覚AR生成を高速化する新しいフレームワークVVSを提案する。
  論文  参考訳（メタデータ） (2025-11-17T16:50:58Z)
• On Predicting Post-Click Conversion Rate via Counterfactual Inference [10.398909602421018]
  本研究では,非クリック型サンプルの変換ラベルを事実上生成する手法を提案する。 我々のアプローチはEntire Space Counterfactual Inference Multi-task Model (ESCIM) と呼ばれる。
  論文  参考訳（メタデータ） (2025-10-06T13:57:49Z)
• Token Compensator: Altering Inference Cost of Vision Transformer without Re-Tuning [63.43972993473501]
  視覚変換器(ViT)の訓練と推論を高速化するトークン圧縮 しかし、下流タスクに適用した場合、圧縮度はトレーニングと推論の段階で不一致となる。 本稿では,2段階間の圧縮度を分離するモデル演算フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T10:36:43Z)
• RAT: Retrieval-Augmented Transformer for Click-Through Rate Prediction [68.34355552090103]
  本稿では, 試料内および試料間における微細な特徴相互作用の獲得を目的とした検索-拡張変換器(RAT)を開発した。 次に、トランスフォーマー層をカスケードされた注意で構築し、イントラサンプルとクロスサンプルの両方の機能インタラクションをキャプチャします。 実世界のデータセットの実験は、RATの有効性を裏付け、ロングテールシナリオにおいてその利点を示唆している。
  論文  参考訳（メタデータ） (2024-04-02T19:14:23Z)
• Soft Frequency Capping for Improved Ad Click Prediction in Yahoo Gemini Native [1.9315883475944244]
  Yahooのネイティブ広告(Gemini Nativeとも呼ばれる)は毎日何十億もの広告インプレッションを提供しており、年間1億米ドルのランレートに達している。 Offsetは、勾配降下(SGD)ベースのアプローチを使用して、新しいログデータのバッチ毎にモデルを更新するワンパスアルゴリズムである。 ユーザアド機能として周波数特徴をOFFSETモデルに組み込んだソフト周波数キャッピング(SFC)手法を提案し,その重みベクトルはロジスティック回帰により学習する。
  論文  参考訳（メタデータ） (2023-12-08T14:12:49Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• Transform-Equivariant Consistency Learning for Temporal Sentence Grounding [66.10949751429781]
  ビデオ毎により差別的な表現を学習するために,新しい同変一貫性規則学習フレームワークを導入する。 私たちのモチベーションは、クエリ誘導アクティビティの時間的境界を一貫して予測することにある。 特に,ビデオの完全性と滑らか性を高めるために,自己教師付き一貫性損失モジュールを考案した。
  論文  参考訳（メタデータ） (2023-05-06T19:29:28Z)
• Multi-Head Online Learning for Delayed Feedback Modeling [2.0212306405747706]
  オンライン広告では、変換の確率と価値を予測することが非常に重要である。 本稿では,マルチヘッドモデリングを用いた新しい手法を提案する。 変換率(CVR)とクリック毎値(VPC)を予測するオンライン学習実験において,既知の手法の性能を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2022-05-24T23:28:56Z)
• Handling many conversions per click in modeling delayed feedback [6.14776588144073]
  クリック後の変換は、パフォーマンスベースのデジタル広告の重要なタスクです。 3つの中核的なアイデアに基づく偏りのない推定モデルを用いて,これらの課題に取り組む。 第1のアイデアはラベルを異なる遅延バケットを持つラベルの和として分割し、第2のアイデアは精度の向上と推論コストの削減に温度計エンコーディングを使用することであり、第3のアイデアはモデルの安定性の向上と分布のドリフトの処理に補助情報を使用することである。
  論文  参考訳（メタデータ） (2021-01-06T21:57:51Z)
• Capturing Delayed Feedback in Conversion Rate Prediction via Elapsed-Time Sampling [29.77426549280091]
  コンバージョンレート(CVR)予測は、デジタルディスプレイ広告において最も重要なタスクの1つである。 Elapsed-Time Smpling Delayed Feedback Model (ES-DFM) を提案する。
  論文  参考訳（メタデータ） (2020-12-06T12:20:50Z)

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。