論文の概要: PILA: Plug-and-Play Insertion for LLM-native Advertising

• arxiv url: http://arxiv.org/abs/2607.25590v1
• Date: Tue, 28 Jul 2026 11:20:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.815034
• Title: PILA: Plug-and-Play Insertion for LLM-native Advertising
• Title（参考訳）: PILA: LLMネイティブ広告用プラグイン
• Abstract要約: 大規模言語モデル(LLM)を自然にスポンサードコンテンツを統合することで収益化する方法が重要な問題となっている。 本稿では、条件付き応答書き換え問題として広告挿入を再構成し、軽量のサイドカーモジュールとして上流サービスから切り離すPILAを提案する。
• 参考スコア（独自算出の注目度）: 23.95179972649179
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How to monetize large language models (LLMs) by naturally integrating sponsored content into their responses, known as LLM-native advertising, has recently emerged as a critical problem. However, existing solutions entangle advertising with content generation inside a single model, which is incompatible with modern API-only or workflow-based LLM applications and inevitably compromises the original response quality. To address this, we propose PILA, which reformulates ad insertion as a conditional response rewriting problem and decouples it from the upstream service as a lightweight sidecar module. PILA is model-agnostic and can be seamlessly integrated with existing LLM services without modifying the base model or its workflow. It also exposes a controllable trade-off between user-side naturalness and ad-side exposure, offering a practical interface for downstream pricing and deployment. Experiments across diverse upstream models show that \pila consistently improves ad effectiveness while preserving response quality, highlighting its promise as a practical solution for LLM-native advertising.
• Abstract（参考訳）: LLMネイティブ広告として知られるそのレスポンスにスポンサー付きコンテンツを自然に統合することで、大規模言語モデル(LLM)をマネタイズする方法が、最近重要な問題として浮上している。 しかし、既存のソリューションは、単一のモデル内でコンテンツ生成と結びついており、現代のAPIのみまたはワークフローベースのLLMアプリケーションと互換性がなく、必然的に元のレスポンス品質を損なう。 そこで本研究では,条件付き応答書き換え問題として広告挿入を再構成し,軽量のサイドカーモジュールとして上流サービスから切り離すPILAを提案する。 PILAはモデルに依存しないため、ベースモデルやワークフローを変更することなく、既存のLLMサービスとシームレスに統合することができる。 また、ユーザーサイドの自然さと広告サイドの自然さとの間のコントロール可能なトレードオフを公開し、ダウンストリームの価格設定とデプロイのための実用的なインターフェースを提供する。 様々な上流モデルに対する実験により、 \pilaは応答品質を保ちながら広告効率を一貫して改善し、LLMネイティブ広告の実用的なソリューションとしての可能性を強調している。

関連論文リスト

• Modular Representation Compression: Adapting LLMs for Efficient and Effective Recommendations [53.53864188270018]
  大規模言語モデル(LLM)には高度なレコメンデーションシステム(RS)がある。 LLMのモジュラリティを明示的に制御するための MARC を提案する。 MARCは大規模な商用検索広告シナリオにおけるオンラインA/Bテストで2.82%のeCPMリフトを達成した。
  論文  参考訳（メタデータ） (2026-04-20T12:08:58Z)
• AdNanny: One Reasoning LLM for All Offline Ads Recommendation Tasks [57.725430699642004]
  大規模言語モデル(LLM)は、自然言語理解と生成において強力な能力を示している。 オンライン広告システムに直接デプロイするのは、厳密なミリ秒レベルの遅延制約のため、現実的ではないことが多い。 我々は、オフライン広告タスクの共有バックボーンとして機能する統合推論中心のLCMであるAdNannyを紹介します。
  論文  参考訳（メタデータ） (2026-02-02T02:56:11Z)
• Sanitize Your Responses: Mitigating Privacy Leakage in Large Language Models [15.90085929279269]
  セルフサニタイズ(Self-Sanitize)は、認知心理学に触発されたLLM駆動の新たな緩和フレームワークである。 会話中の人間の自己監視と自己修復行動をエミュレートする。 LLMの利便性を低下させることなく、最小限のオーバーヘッドで優れた緩和性能を実現する。
  論文  参考訳（メタデータ） (2025-09-29T08:59:44Z)
• Reasoning-Aligned Perception Decoupling for Scalable Multi-modal Reasoning [95.44766931218896]
  MLLM(Multi-modal large language model)は、テキストベースの推論に遅れを取っている。 本稿では,MLLMの推論コンポーネントをモジュール化し,容易に置き換え可能なパーセプション推論デカップリングを提案する。 本稿では,視覚知覚最適化(VPO)と呼ばれる新しい強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-05T02:28:07Z)
• LLM-Lasso: A Robust Framework for Domain-Informed Feature Selection and Regularization [59.75242204923353]
  LLM-Lassoは大規模言語モデル(LLM)を利用してラッソ回帰における特徴選択を導くフレームワークである。 LLMは各特徴に対してペナルティ因子を生成し、単純でチューニング可能なモデルを用いてラスソペナルティの重みに変換される。 LLMによりより関連づけられた特徴は、より低い罰を受け、最終モデルに保持される可能性を高める。
  論文  参考訳（メタデータ） (2025-02-15T02:55:22Z)
• LlamaDuo: LLMOps Pipeline for Seamless Migration from Service LLMs to Small-Scale Local LLMs [11.664088080448593]
  LLMOpsパイプライン"LlamaDuo"を導入して,サービス指向のLLMから,より小さく,ローカルに管理可能なモデルへの,知識と能力のシームレスな移行を実現した。 LlamaDuoは、後者によって生成された合成データセットを使用して、サービスLLMに対して小さな言語モデルを微調整する。 このマルチターンプロセスは、小さなモデルが特定の下流タスクにおいて最終的にLLMの能力と一致するか、さらに超えることを保証します。
  論文  参考訳（メタデータ） (2024-08-24T05:03:08Z)
• Truthful Aggregation of LLMs with an Application to Online Advertising [11.552000005640203]
  広告主にとって真の報告が支配的な戦略であることを確実にするオークション機構であるMOSAICを導入する。 我々はMOSAICが計算オーバーヘッドの少ない広告価値とプラットフォーム収益をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-05-09T17:01:31Z)
• Online Advertisements with LLMs: Opportunities and Challenges [51.96140910798771]
  本稿では,オンライン広告システムにおけるLarge Language Models(LLM)の活用の可能性について検討する。 提案手法は,LLM広告の修正,入札,予測,オークションモジュールから構成される。
  論文  参考訳（メタデータ） (2023-11-11T02:13:32Z)
• Check Your Facts and Try Again: Improving Large Language Models with External Knowledge and Automated Feedback [127.75419038610455]
  大規模言語モデル(LLM)は、ダウンストリームタスクの多くに対して、人間のような、流動的な応答を生成することができる。 本稿では,プラグ・アンド・プレイモジュールのセットでブラックボックスのLSMを増強するLSM-Augmenterシステムを提案する。
  論文  参考訳（メタデータ） (2023-02-24T18:48:43Z)

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。