論文の概要: Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction

• arxiv url: http://arxiv.org/abs/2608.23356v1
• Date: Mon, 24 Aug 2026 15:06:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.163266
• Title: Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction
• Title（参考訳）: 時計時間分布予測のための階層的指数-ガウス混合
• Abstract要約: Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。 EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。 本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
• 参考スコア（独自算出の注目度）: 74.05279072166697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate watch-time (WT) prediction is an important requirement for short-video recommendations. Yet WT distributions are near-zero-inflated, long-tailed and multimodal. The recent Exponential-Gaussian Mixture Network (EGMN) models the full conditional WT distribution rather than a single point estimate and achieves state-of-the-art performance. Our large-scale reproduction study reveals that EGMN is vulnerable to variance collapse, component redundancy, and inactive components. We propose a Hierarchical Exponential-Gaussian Mixture (HEGM) model that addresses these failure modes through a hierarchical skip-watch decomposition, KL-based variance regularization, structured initialization, removing the forced Gaussian shift and the entropy regularizer. Across public and large-scale industrial datasets, HEGM improves ranking accuracy and threshold-event prediction, while maintaining competitive point-estimation accuracy and substantially improving mixture stability and interpretability. A 1.5-month production A/B test confirms statistically significant engagement lifts. Our code and models are publicly released at https://github.com/rw404/HEGM.
• Abstract（参考訳）: 正確な監視時間(WT)予測は、短いビデオレコメンデーションにとって重要な要件である。 しかし、WT分布は、ほぼゼロのインフレータ、長いテール、マルチモーダルである。 最近のExponential-Gaussian Mixture Network (EGMN)は、単一点推定よりも完全な条件WT分布をモデル化し、最先端の性能を達成する。 大規模な再生実験により, EGMNは分散崩壊, 成分冗長性, 不活性成分に弱いことが明らかとなった。 階層型スキップウォッチ分解,KLに基づく分散正規化,構造化初期化,強制ガウスシフトの除去,エントロピー正規化などを通じて,これらの障害モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。 公的および大規模産業データセット全体で、HEGMは、競合点推定精度を維持しながら、ランキング精度としきい値予測を改善し、混合安定性と解釈可能性を大幅に改善する。 1.5ヶ月のA/Bテストでは、統計的に重要なエンゲージメントリフトが確認された。 私たちのコードとモデルは、https://github.com/rw404/HEGM.comで公開されています。

関連論文リスト

• Energy Score-Guided Neural Gaussian Mixture Model for Predictive Uncertainty Quantification [11.86700614076245]
  予測の不確実性の定量化は、現実世界の機械学習アプリケーションにとって不可欠である。 本稿では,予測不確実性を定量化するニューラルエネルギーガウス混合モデル(NE-GMM)を提案する。
  論文  参考訳（メタデータ） (2026-03-29T12:46:43Z)
• EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting [4.551615447454767]
  EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャである。 キャリブレーションされた予測とテールアウェアのリスク推定を提供する。 産業監視、天気予報、衛星診断などの高度な分野に適用できる。
  論文  参考訳（メタデータ） (2026-01-26T23:15:20Z)
• MoGU: Mixture-of-Gaussians with Uncertainty-based Gating for Time Series Forecasting [14.843307803219611]
  不確実性に基づくゲーティング(MoGU)を併用した混合ガウス(Mixture-of-Gaussian)を導入する。 点推定のみを提供する従来のMoEとは異なり、MoGUは各専門家の出力をガウス分布としてモデル化する。 MoGUのコアイノベーションは、従来の入力ベースのゲーティングネットワークを置き換える不確実性ベースのゲーティングメカニズムである。
  論文  参考訳（メタデータ） (2025-10-08T19:04:25Z)
• Multi-Granularity Distribution Modeling for Video Watch Time Prediction via Exponential-Gaussian Mixture Network [31.428173036982216]
  EGMN(Exponential-Gaussian Mixture Network)は,EGM分布のパラメータ化のために提案される。 EGMNは粗粒度から細粒度まで優れた分布適合性を示す。
  論文  参考訳（メタデータ） (2025-08-18T06:56:36Z)
• Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
  時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。 本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
  論文  参考訳（メタデータ） (2025-08-18T04:06:26Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• MGF: Mixed Gaussian Flow for Diverse Trajectory Prediction [72.70572835589158]
  本稿では,軌道予測のための正規化フローモデルに対して,混合ガウス前駆体を構築することを提案する。 提案手法は,一般的な UCY/ETH および SDD データセットにおける軌道アライメントと多様性の評価において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-02-19T15:48:55Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)

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。