論文の概要: MERIT: Mitigating Exposure Bias in Generative XMC for User-Interest Propensity Modeling

• arxiv url: http://arxiv.org/abs/2608.28931v1
• Date: Fri, 28 Aug 2026 23:03:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.789165
• Title: MERIT: Mitigating Exposure Bias in Generative XMC for User-Interest Propensity Modeling
• Title（参考訳）: MERIT:ユーザ関心度モデリングのためのジェネレーティブXMCにおける露光バイアスの軽減
• Abstract要約: 本稿では、この露光バイアスを自己補正の対象として緩和する、ユーザ関心度モデルのためのフレームワークであるMERITを提案する。 250k以上の関心カテゴリーを持つプロプライエタリなeコマースデータセットでは、MERITは少なくとも11.9%、Hit@k平均6.1%のリコールを改善している。
• 参考スコア（独自算出の注目度）: 8.776508323291234
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Matching users to interest categories at scale is central to personalized shopping, but the task is challenging in large e-commerce platforms, where label spaces continually evolve and user-interest signals are sparse and long-tailed. Autoregressive language models are appealing because their world knowledge and semantic priors over descriptors generalize across extreme label spaces and accommodate multiple valid label assignments. Yet under teacher-forced fine-tuning, inference-time predictions become part of the conditioning context: early errors steer later outputs toward co-occurring labels, over-generating near-correlates and missing unrelated true interests. We present MERIT, a framework for user-interest propensity modeling that mitigates this exposure bias through a self-correction objective. A permutation-invariant multi-target loss over shuffled mixtures of gold and mined hard-negative labels exposes the generator to erroneous prefixes while preserving the efficiency of teacher-forced training. This training objective concentrates supervision at classification positions, yielding propensity-aligned hidden states powering a lightweight scorer for bidirectional retrieval (interests for users and users for interests). On a proprietary e-commerce dataset with 250k+ interest categories, MERIT improves global recall by at least 11.9% and average Hit@k by 6.1%. In production A/B tests, it achieves +0.26% gain in user conversion.
• Abstract（参考訳）: 規模でユーザーを関心カテゴリーに合わせることは、パーソナライズされたショッピングの中心であるが、大きなEコマースプラットフォームでは、ラベル空間が継続的に進化し、ユーザー関心のシグナルが希薄で長いという課題が起きている。 自己回帰型言語モデルは、その世界的知識と記述子に対するセマンティック優先が、極端なラベル空間にまたがって一般化し、複数の有効なラベル割り当てを許容するため、魅力的である。 しかし、教師に強制された微調整の下で、推論時予測は条件付けの文脈の一部となり、初期のエラーステアは後に共起ラベルに向けて出力し、過剰に生成される近相関と無関係な真の関心を欠く。 本稿では、この露光バイアスを自己補正の対象として緩和する、ユーザ関心度モデルのためのフレームワークであるMERITを提案する。 ゴールドとマイニングされたハード負ラベルのシャッフル混合物に対する置換不変な多ターゲット損失は、教師力トレーニングの効率を保ちながら、ジェネレータを誤ったプレフィックスに露出させる。 このトレーニングの目的は、分類位置の監督に集中し、双方向検索のための軽量スコアラー(ユーザや興味のあるユーザへの関心)に電力を供給している確率整列型隠れ状態を与える。 250k以上の関心カテゴリーを持つプロプライエタリなeコマースデータセットでは、MERITは少なくとも11.9%、Hit@k平均6.1%のリコールを改善している。 プロダクションA/Bテストでは、ユーザ変換が0.26%向上する。

関連論文リスト

• AHEAD: Advancing Multi-Class Label Aggregation with Interpretable Cross-Annotator Modeling [7.8981698267367895]
  AHEADは、人口レベルのデータを活用することで、アノテータの信頼性評価を促進するクロスアノテータ学習フレームワークである。 AHEADはラベルの精度を大幅に改善し、平均精度は68.75%から73.23%に向上し、ベストケースでは14.9%まで上昇した。
  論文  参考訳（メタデータ） (2026-07-20T19:32:01Z)
• Dual-Branch Cross-Projection Debiasing through Diffusion-based Disentanglement [66.67463557274358]
  バイアス付きデータセットに基づいてトレーニングされた基礎モデルは、しばしばターゲットラベルと非因果属性の間の急激な相関に依存する。 信頼誘導概念マイニング(CBCM:Confidence-guided Concept Mining)を導入し,属性アノテーションを使わずに信頼性の高いスプリアス属性を同定する。 本稿では,目標と突発的な表現を2つのブランチに分離するプロンプトチューニングフレームワークであるDual-branch Cross-projection Debiasing (DCD)を提案する。
  論文  参考訳（メタデータ） (2026-06-23T05:28:47Z)
• Generative Pseudo-Labeling for Pre-Ranking with LLMs [14.88083417837956]
  提案するジェネレーティブ・擬似ラベル(GPL)は,未公開アイテムに対して,バイアスのないコンテンツ対応の擬似ラベルを生成する。 GPLはクリックスルー率を3.07%改善し、レコメンデーションの多様性とロングテールアイテムの発見を大幅に強化した。
  論文  参考訳（メタデータ） (2026-02-24T15:14:49Z)
• Generative Classifiers Avoid Shortcut Solutions [84.23247217037134]
  分類に対する差別的なアプローチは、しばしば、分配されるが、小さな分布シフトの下で失敗するショートカットを学習する。 生成型分類器は、主にスパイラルな特徴ではなく、コアとスパイラルの両方の全ての特徴をモデル化することでこの問題を回避することができることを示す。 拡散型および自己回帰型生成型分類器は,5つの標準画像およびテキスト分散シフトベンチマーク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） (2025-12-31T18:31:46Z)
• From Lazy to Prolific: Tackling Missing Labels in Open Vocabulary Extreme Classification by Positive-Unlabeled Sequence Learning [5.979699034554517]
  Open-vocabulary Extreme Multi-label Classification (OXMC)は、従来のXMCを拡張し、ラベルセットが103ドルから1012ドルを超える予測を可能にする。 データアノテーションにおける自己選択バイアスは、トレーニングデータとテストデータの両方に重大な欠陥ラベルをもたらす。 本稿では OXMC をキーフレーズ生成タスクとして再構成する PUSL (Positive-Unlabeled Sequence Learning) を提案する。
  論文  参考訳（メタデータ） (2024-08-16T19:10:48Z)
• Federated Learning with Only Positive Labels by Exploring Label Correlations [78.59613150221597]
  フェデレートラーニングは、プライバシー上の制約の下で複数のユーザのデータを使用することで、モデルを協調的に学習することを目的としている。 本稿では,フェデレート学習環境下でのマルチラベル分類問題について検討する。 ラベル相関(FedALC)を探索してフェデレート平均化(Federated Averaging)と呼ばれる新しい,汎用的な手法を提案する。
  論文  参考訳（メタデータ） (2024-04-24T02:22:50Z)
• Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
  本稿では,ラベルスキュード・フェデレーション学習の新しいアプローチであるFedVLSを紹介する。 空のクラス蒸留とロジット抑制を同時に統合する。 FedVLSの有効性を検証する実験は、従来のSOTA(State-of-the-art)法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-04T16:06:31Z)
• GeT: Generative Target Structure Debiasing for Domain Adaptation [67.17025068995835]
  ドメイン適応(DA)は、ドメインシフトの下で、完全にラベル付けされたソースからほとんどラベル付けされていない、または完全にラベル付けされていないターゲットに知識を転送することを目的としています。 近年,擬似ラベリングを利用した半教師付き学習(SSL)技術がDAでますます普及している。 本稿では,高品質な擬似ラベルを用いた非バイアス対象埋め込み分布を学習するGeTを提案する。
  論文  参考訳（メタデータ） (2023-08-20T08:52:43Z)
• MARS: Model-agnostic Biased Object Removal without Additional Supervision for Weakly-Supervised Semantic Segmentation [3.997707534484444]
  弱教師付きセマンティックセグメンテーションは、弱い監督力を用いたセマンティックセグメンテーションモデルを訓練することにより、ラベリングコストを削減することを目的としている。 完全自動/モデル非依存のオブジェクト除去フレームワークMARSを提案する。 以上の結果から,MARS は様々な WSSS モデルの性能を少なくとも30% 改善する。
  論文  参考訳（メタデータ） (2023-04-19T18:24:28Z)
• Unbiased Teacher for Semi-Supervised Object Detection [50.0087227400306]
  SS-OD(Semi-Supervised Object Detection)を再検討し,SS-ODにおける擬似ラベルバイアス問題を特定する。 学生と徐々に進歩する教師を相互に利益ある方法で共同で訓練するシンプルで効果的なアプローチであるUnbiased Teacherを紹介します。
  論文  参考訳（メタデータ） (2021-02-18T17:02:57Z)
• End-to-End Learning from Noisy Crowd to Supervised Machine Learning Models [6.278267504352446]
  我々は、ハイブリッドインテリジェンス、すなわち深層モデルと人間の専門家を組み合わせることで、ノイズの多いクラウドソースデータからエンドツーエンドの学習フレームワークを設計することを提唱する。 ラベルアグリゲーションは,アノテータの混乱行列を推定して学習プロセスを改善することにより,どのような効果があるかを示す。 我々は、SVMとディープニューラルネットワークを用いて、複数の画像データセット上での戦略の有効性を実証する。
  論文  参考訳（メタデータ） (2020-11-13T09:48:30Z)

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。