論文の概要: UniGD: A Unified Generative-Discriminative Framework for Industrial Retrieval

• arxiv url: http://arxiv.org/abs/2608.03150v1
• Date: Tue, 04 Aug 2026 05:29:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.043984
• Title: UniGD: A Unified Generative-Discriminative Framework for Industrial Retrieval
• Title（参考訳）: UniGD: 産業検索のための統一された生成識別フレームワーク
• Authors: Shujie Ji, Yawei Kong, Yilin Zhao, Li Wang, Xialong Liu, Peng Jiang,
• Abstract要約: 一つのモデルに検索と関連性スコアリングを統合するUnified Generative-Discriminative framework (UniGD)を提案する。 我々は、UniGDが広告収入を5.78%増加させ、推論遅延を33%減少させ、差別的関連性評価を改善することを示した。
• 参考スコア（独自算出の注目度）: 10.755418430367685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative retrieval (GR) is a promising paradigm for industrial search advertising, yet its deployment is constrained by strict relevance and latency requirements. Existing systems cascade GR with an independent relevance model, decoupling the generative likelihood objective from query-ad relevance discrimination, which compromises effectiveness and increases serving costs. We propose a Unified Generative-Discriminative framework (UniGD) that integrates retrieval and relevance scoring within a single model. To mitigate gradient interference in joint optimization, UniGD introduces Conflict-Aware Gradient Enhancement (CAGE) to adaptively coordinate the two objectives. UniGD further designs a Codebook-Anchored Representation Module (CAM) that anchors item representations to frozen hierarchical codebooks distilled from a multimodal pretrained model, thereby endowing them with rich and generalizable semantic priors. For heterogeneous short-video, product, and live-stream ads, UniGD proposes Heterogeneous Ad-material Modeling (HAM), which captures cross-type semantic commonality over a shared backbone while preserving type-specific modeling capacity. Online AB tests on Kuaishou search advertising platform show that UniGD raises ad revenue by 5.78%, reduces inference latency by 33%, and improves discriminative relevance estimation. On NQ320K and MS300K, UniGD improves Recall@10 over the strongest reproduced GR baseline by 8.44% and 3.19%, respectively.
• Abstract（参考訳）: 生成検索(GR)は産業検索広告にとって有望なパラダイムであるが、その展開は厳密な関連性と遅延要求によって制約されている。 既存のシステム GR を独立関連モデルでカスケードし、クエリ適応関連性判別から生成可能性の目標を分離し、効率性を損なうとともにサービスコストを増大させる。 一つのモデルに検索と関連性スコアリングを統合するUnified Generative-Discriminative framework (UniGD)を提案する。 共同最適化における勾配干渉を軽減するため、UniGDは2つの目的を適応的に調整するConflict-Aware Gradient Enhancement (CAGE)を導入した。 UniGDはさらにCodebook-Anchored Representation Module (CAM)を設計し、アイテム表現をマルチモーダル事前訓練されたモデルから抽出した冷凍階層的なコードブックに固定し、リッチで一般化可能なセマンティックプリミティブを付与する。 ヘテロジニアスなショートビデオ、製品、ライブストリーム広告に対して、UniGDは異種アドマテリアルモデリング(HAM)を提案する。 KuaishouのオンラインABテストでは、UniGDは広告収入を5.78%増加させ、推論遅延を33%減少させ、差別的関連性の推定を改善している。 NQ320KとMS300Kでは、UniGDは最強のGRベースラインであるRecall@10を8.44%と3.19%改善した。

関連論文リスト

• Collaborative Memory Augmentation for Generative Recommendation [49.76630658239287]
  我々は、ジェネレーティブ・リコメンデーションのためのcOllaborative MEmory拡張フレームワークであるtextbfOMEGAを提案する。 まず、学習可能なクエリトークンを用いて、逐次的ユーザ動作をコンパクトな表現に変換する潜在コンテキスト圧縮手法を提案する。 これらの圧縮された表現は、協調的なメモリバンクに集約され、グローバルな行動パターンの明示的なリポジトリとして機能する。
  論文  参考訳（メタデータ） (2026-08-02T15:34:43Z)
• OneRanker: Unified Generation and Ranking with One Model in Industrial Advertising Recommendation [17.77745313737108]
  生成とランキングのアーキテクチャレベルでの深い統合を実現するOneRankerを提案する。 我々は、粗大できめ細かな協調目標認識機構を構築する。 TencentのWeiXinチャネル広告システムへの完全な展開は、主要なビジネス指標を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2026-03-03T13:50:22Z)
• SSVP: Synergistic Semantic-Visual Prompting for Industrial Zero-Shot Anomaly Detection [55.54007781679915]
  本稿では,多種多様な視覚的エンコーディングを効率よく融合させ,モデルの微粒化知覚を高めるSynergistic Semantic-Visual Prompting (SSVP)を提案する。 SSVPは、MVTec-AD上で93.0%のImage-AUROCと92.2%のPixel-AUROCで最先端のパフォーマンスを達成し、既存のゼロショットアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-14T04:42:19Z)
• GPR: Towards a Generative Pre-trained One-Model Paradigm for Large-Scale Advertising Recommendation [38.48999566011862]
  GPR(Generative Pre-trained Recommender)は,広告推薦をエンドツーエンド生成タスクとして再定義するワンモデルフレームワークである。 統一表現、ネットワークアーキテクチャ、トレーニング戦略にまたがる3つの重要なイノベーションを紹介します。 GPRはTencent Weixin Channelsの広告システムに完全にデプロイされており、主要なビジネスメトリクスを大幅に改善している。
  論文  参考訳（メタデータ） (2025-11-13T09:50:53Z)
• Generative Model Based Noise Robust Training for Unsupervised Domain Adaptation [108.11783463263328]
  本稿では, 生成モデルに基づくノイズ・ロバスト訓練法(GeNRT)を提案する。 ラベルノイズを緩和しながらドメインシフトを除去する。 Office-Home、PACS、Digit-Fiveの実験は、GeNRTが最先端のメソッドに匹敵するパフォーマンスを実現していることを示している。
  論文  参考訳（メタデータ） (2023-03-10T06:43:55Z)
• GCoNet+: A Stronger Group Collaborative Co-Salient Object Detector [156.43671738038657]
  本稿では,GCoNet+と呼ばれる新しいグループ協調学習ネットワークを提案する。 GCoNet+は自然界における共存対象を効果的かつ効率的に識別することができる。
  論文  参考訳（メタデータ） (2022-05-30T23:49:19Z)

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。