論文の概要: MARCO: Click-Intent Decomposition for Calibrated Ads Conversion Prediction

• arxiv url: http://arxiv.org/abs/2608.10562v1
• Date: Tue, 11 Aug 2026 06:49:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.930744
• Title: MARCO: Click-Intent Decomposition for Calibrated Ads Conversion Prediction
• Title（参考訳）: MARCO: キャリブレーション広告変換予測のためのクリックインテント分割
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 31.422771243113758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Not all clicks are equal. Industrial ads ranking decouples conversion probability into click-through rate (CTR) and post-click conversion rate (CVR), yet treats every click as the same event. In reality, users provide a free, self-generated signal of intent through their physical UI interactions. Different click types on the same ad exhibit a 4-fold difference in actual conversion rates. By conflating these signals, the standard CVR model under-predicts high-intent clicks and over-predicts low-intent ones, which is a bias masked by near-perfect aggregate calibration. We propose MARCO (Multi-intent Ads Ranking Composition Optimization), a framework that resolves this bias by decomposing each click by intent. Using the logged click type as a free behavioral label, MARCO trains per-intent CVR heads on homogeneous populations, and at serving time composes their per-intent CVR estimates under a predicted distribution over intents. Theoretically, we prove that decomposition never raises population risk, give the exact headroom under squared loss and non-negativity under the deployed loss, and show through a routing-efficiency dial how much of it reaches serving. Because the population-optimal score is unchanged, any gain is a finite-capacity estimation and calibration effect that we validated both offline and online. For deployment at scale, we further cast multi-impression, multi-click attribution as credit assignment with a bias-variance tradeoff analogous to RL return estimation, showing last-impression, first-click attribution is the low-bias, low-variance, deterministic choice under production constraints, and derive three consistency conditions enforced end-to-end at scale. Deployed at binary intent granularity, MARCO corrects per-intent calibration to approximately 100%, lifts conversions per click by +2.80%, and drives +0.98% cumulative improvement in topline metrics.
• Abstract（参考訳）: すべてのクリックが等しいわけではない。 産業広告ランキングでは、変換確率をクリックスルーレート(CTR)とクリック後変換レート(CVR)に切り離すが、すべてのクリックを同じイベントとして扱う。 実際には、ユーザは物理的なUIインタラクションを通じて、自由で自己生成的なインテント信号を提供する。 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により、標準のCVRモデルは高次クリックを過度に予測し、低次クリックを過度に予測する。 MARCO(Multi-intent Ads Ranking Composition Optimization)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。 ログされたクリックタイプをフリーな行動ラベルとして使用し、MARCOはインテントごとのCVRヘッドを均質な人口で訓練し、サービス時にはインテントよりも予測された分布の下でインテントごとのCVR推定を構成する。 理論的には、分解が人口リスクを増大させることはないことを証明し、展開された損失の下で正方形の損失と非負性の下で正確なヘッドルームを与える。 人口最適スコアは変化しないため、任意の利得は、オフラインとオンラインの両方で検証した有限容量推定と校正効果である。 大規模展開では、RL戻り推定に類似したバイアス分散トレードオフによるクレジット代入として、マルチクリック属性、複数クリック属性、最終印象、第1クリック属性が、生産制約下での低バイアス、低分散、決定論的選択であることを示すとともに、スケールでエンドツーエンドに強制される3つの一貫性条件を導出する。 バイナリインテントの粒度で展開されたMARCOは、インテントごとのキャリブレーションを約100%に修正し、クリックあたりの変換を+2.80%引き上げ、トポラインメトリクスの累積的な改善を+0.98%推進する。

関連論文リスト

• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• 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)
• Improving conversion rate prediction via self-supervised pre-training in online advertising [2.447795279790662]
  変換-ギブン-クリックを予測するモデルのトレーニングにおける重要な課題は、データの疎性にある。 我々は、自己教師付き事前学習というよく知られたアイデアを使用し、すべての変換イベントに基づいて訓練された補助的オートエンコーダモデルを使用する。 オフラインでも、トレーニング中でも、オンラインA/Bテストでも改善が見られます。
  論文  参考訳（メタデータ） (2024-01-25T08:44:22Z)
• 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)
• Unbiased Filtering Of Accidental Clicks in Verizon Media Native Advertising [1.6717433307723157]
  我々は、クリックのいくつかが短寿命であることに気付いた場合、クリックスルー率(CTR)を予測することの課題に焦点を当てる。 偶然クリックすると、ユーザーと広告の間に親和性はほとんどなく、類似ユーザーが広告をクリックすると予測するのは不正確だ。 本稿では,偶発クリックの発生確率に基づいて,偶発クリックの正の重みを全ての負の事象(スキップ)に分配する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-08T12:54:30Z)
• An Offline Metric for the Debiasedness of Click Models [52.25681483524383]
  クリックモデルは、ユーザークリックから情報を抽出する一般的な方法である。 最近の研究は、コミュニティにおける現在の評価プラクティスが、良いパフォーマンスのクリックモデルが下流のタスクにうまく一般化することを保証できないことを示している。 クリックモデリングにおける偏りの概念を導入し,その測定基準を導出する。
  論文  参考訳（メタデータ） (2023-04-19T10:59:34Z)
• Will My Robot Achieve My Goals? Predicting the Probability that an MDP Policy Reaches a User-Specified Behavior Target [56.99669411766284]
  自律的なシステムがタスクを実行する場合、ユーザの目標を達成する確率のキャリブレーションされた見積もりを維持する必要がある。 本稿では,ユーザの目標が目標間隔として指定される設定について検討する。 我々は、共形予測を反転させて確率推定を計算する。
  論文  参考訳（メタデータ） (2022-11-29T18:41:20Z)
• Joint Optimization of Ranking and Calibration with Contextualized Hybrid Model [24.66016187602343]
  本稿では,短時間でランキング・アンド・アビリティ(JRC)を最適化する手法を提案する。 JRCは、サンプルのロジット値を異なるラベルで対比することでランキング能力を向上し、ロジットサブトラクションの関数である予測確率を制約する。 JRCはAlibabaのディスプレイ広告プラットフォームにデプロイされており、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2022-08-12T08:32:13Z)
• Localized Calibration: Metrics and Recalibration [133.07044916594361]
  完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。 次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
  論文  参考訳（メタデータ） (2021-02-22T07:22:12Z)

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。