論文の概要: From Prediction to Incrementality: Causal Optimization for Large-Scale Targeting and Recommendation

• arxiv url: http://arxiv.org/abs/2608.10182v1
• Date: Mon, 10 Aug 2026 19:54:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.800816
• Title: From Prediction to Incrementality: Causal Optimization for Large-Scale Targeting and Recommendation
• Title（参考訳）: 予測からインクリメンタリティへ:大規模目標と勧告のための因果最適化
• Abstract要約: グローバル制約下での因果効果を最適化する,意思決定中心のフレームワークを提案する。 我々は、パブリックバンディットデータセット上でのオフラインシミュレーション、ターゲットアーキテクチャアブリケーション、LinkedIn Feedのマーケティングトラフィック上でのオンラインA/Bテストでこれを評価した。 エンドツーエンドの処理ポリシーは、統計学的に有意な$+7.20%のリフトを主要な長期値の指標として提供した。
• 参考スコア（独自算出の注目度）: 1.8192758370546824
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale targeting and recommendation systems are typically built around predictive scores fed into heuristic or local allocation. When the business goal is incremental impact, as in marketing campaigns, incentives, and notifications, this paradigm systematically misallocates resources toward users who would have acted anyway. We present a decision-centric framework that instead optimizes causal effects under global constraints, aligning three components under a single objective: a causal neural network with a Transformer backbone for individual treatment-effect estimation, a Bayesian neural-bandit layer for uncertainty-aware exploration, and a dual-based large-scale linear-programming layer for constrained allocation. The framework also supports sequential context and multi-outcome, attribute-conditioned scoring through a Transformer encoder and outcome embeddings. We evaluate it with offline simulations on a public bandit dataset, targeted architectural ablations, and an online A/B test on LinkedIn Feed marketing traffic. We also distill production lessons on causal training-data construction and cost and delivery control, which were critical to successful deployment. The end-to-end treatment policy delivered a statistically significant $+7.20\%$ lift in the primary long-term-value metric, demonstrating the feasibility of production-scale causal optimization under business constraints.
• Abstract（参考訳）: 大規模ターゲティングとレコメンデーションシステムは通常、ヒューリスティックまたはローカルアロケーションに供給される予測スコアを中心に構築される。 マーケティングキャンペーン、インセンティブ、通知など、ビジネス目標が漸進的に影響している場合、このパラダイムは、いずれにせよ行動したであろうユーザに対して、リソースを体系的に誤って配置する。 本稿では,大域的制約下での因果効果を最適化する決定中心のフレームワークを提案する。1つの目的として,個々の治療効果推定のためのTransformerバックボーンを備えた因果ニューラルネットワーク,不確実性を考慮した探索のためのベイズ型ニューラルネットワーク,制約付きアロケーションのための2次元大規模線形プログラミング層を提案する。 このフレームワークは、シーケンシャルなコンテキストとマルチアウトカム、Transformerエンコーダによる属性条件のスコアリング、結果の埋め込みもサポートする。 我々は、パブリックバンディットデータセット上でのオフラインシミュレーション、ターゲットアーキテクチャアブリケーション、LinkedIn Feedのマーケティングトラフィック上でのオンラインA/Bテストでこれを評価した。 また,本研究では,運用成功に不可欠であった因果トレーニングデータの構築とコストと納入管理に関する生産指導を蒸留した。 エンド・ツー・エンドの処理政策は、ビジネス上の制約の下での生産規模の因果最適化が実現可能であることを示す主要な長期価値指標において、統計的に有意な$+7.20\%のリフトを提供した。

関連論文リスト

• Adaptive Error Budget Allocation for Fault-Tolerant Quantum Resource Estimation: A Metaheuristic Approach [0.14323566945483496]
  システムレベルのリソース推定は、フォールトトレラントな量子コンピューティングツールチェーンの重要なコンポーネントである。 そこで我々は,Azure Quantum Resource Estor上で,微分自由探索を直接行うトレーニングフリー最適化フレームワークを提案する。 MQTベンチの31ファミリーから2から91キュービットに及ぶ433個の回路上で,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-08-16T07:14:29Z)
• ScaleSense: Cost-Intelligent Scaling Framework via Learned Resource Estimation in Alibaba AnalyticDB [59.708423132520515]
  クラウドネイティブなサーバレスデータウェアハウスは、計算からストレージを分離することで、きめ細かい弾力性を達成する。 しかし、高度にヘテロジニアスなアドホッククエリに対する最適なリソース割り当てを決定することは、深刻な産業上の課題である。 プロアクティブでクエリレベルのリソーススケーリングフレームワークであるScaleSenseを提案する。
  論文  参考訳（メタデータ） (2026-08-08T06:10:35Z)
• Stochastic Primal-Dual Decoding for Multiobjective Generative Recommender Systems [3.3756786725295065]
  近年のレコメンデーションシステムの進歩は、生成的モデリングによる大幅な性能向上を示している。 本稿では,多目的スレート生成をサポートする自己回帰生成RSを増強する軽量な推論時デコーディング層を提案する。 その結果,ユーザ満足度ゼロで達成した補助目標に対して,+1.8%の利得を含む多目的トレードオフが一貫した改善が見られた。
  論文  参考訳（メタデータ） (2026-05-26T15:05:06Z)
• Unbiased Dynamic Pruning for Efficient Group-Based Policy Optimization [60.87651283510059]
  Group Relative Policy Optimization (GRPO) はLLM推論を効果的にスケールするが、計算コストは禁じている。 本研究では,非バイアス勾配推定を保ちながら動的プルーニングを可能にする動的プルーニングポリシー最適化(DPPO)を提案する。 刈り込みによって引き起こされるデータの空間性を軽減するため,ウィンドウベースの欲求戦略であるDense Prompt Packingを導入する。
  論文  参考訳（メタデータ） (2026-03-04T14:48:53Z)
• LLM-Inspired Pretrain-Then-Finetune for Small-Data, Large-Scale Optimization [7.8639568562295965]
  我々は、企業が同時に多くの運用上の決定をしなければならない、小規模で大規模な意思決定問題を考える。 本稿では,この課題に対処するために,設計したトランスフォーマーモデル上に構築したプレトレイン-then-finetuneアプローチを提案する。
  論文  参考訳（メタデータ） (2026-02-03T16:08:33Z)
• MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization [56.074760766965085]
  大規模言語モデル(LLM)の整合性のための効率的なパラダイムとしてグループ相対政策最適化が登場している。 我々は,報酬スカラー化を動的潜在ポリシーとして扱い,モデルの終端隠蔽状態を意味的ボトルネックとして活用するMAESTROを提案する。 本稿では,軽量コンダクタネットワークがメタリワード信号としてグループ相対的優位性を生かしてポリシと共進化する,双方向最適化フレームワークにおけるコンテキスト的帯域幅問題としてこれを定式化する。
  論文  参考訳（メタデータ） (2026-01-12T05:02:48Z)
• Guardrailed Uplift Targeting: A Causal Optimization Playbook for Marketing Strategy [0.0]
  本稿では,不均質処理の高速化を制約ターゲティング戦略に変換するマーケティング決定フレームワークを提案する。 このフレームワークは、オフライン評価における妥当性と静的ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-12-22T19:02:09Z)
• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• Technical Report: Facilitating the Adoption of Causal Inference Methods Through LLM-Empowered Co-Pilot [44.336297829718795]
  CATE-Bは,大規模言語モデル(LLM)をエージェントフレームワーク内で使用して,治療効果推定を通じてユーザを誘導する,オープンソースのコパイロットシステムである。 CATE-B は (i) 因果発見と LLM に基づくエッジオリエンテーションによる構造因果モデルの構築、 (ii) 因果構造とデータセット特性に適合した適切な回帰方法を選択することによるロバストな調整セットの同定を支援する。
  論文  参考訳（メタデータ） (2025-08-14T12:20:51Z)
• DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
  大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。 符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。 我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
  論文  参考訳（メタデータ） (2025-03-18T14:02:59Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)

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。