論文の概要: BAFF: Bid-Aware Filter Family for Mitigating Training Data Interference in RTB A/B Tests
- arxiv url: http://arxiv.org/abs/2609.08725v1
- Date: Tue, 08 Sep 2026 13:20:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.668752
- Title: BAFF: Bid-Aware Filter Family for Mitigating Training Data Interference in RTB A/B Tests
- Title（参考訳）: BAFF:RTB A/Bテストにおけるトレーニングデータ干渉の軽減を目的としたバイアス対応フィルタファミリー
- Abstract要約: リアルタイム入札テストでは、制御モデルと処理モデルは通常、対応するモデルによって生成されたデータを含む共有サービスログでトレーニングされる。
ログ分割はバイアスを排除しますが、トレーニングデータを犠牲にします。
データ共有戦略の評価を可能にする3段階のオンライン計測プロトコルを提案する。
- 参考スコア（独自算出の注目度）: 2.5729047206655795
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In online A/B tests for real-time bidding (RTB), control and treatment models are typically trained on a shared serving log that includes data generated by the counterpart model. This shared-log training biases each model's training data through two channels: the counterpart model may have selected a different ad from the ad-candidate pool (ad-ranking disagreement) and may have bid a different price (bid-pricing disagreement), potentially distorting the A/B test outcome. Log-splitting eliminates the bias but sacrifices training data; log-sharing retains all data but leaves the bias unaddressed. We formalize the Bid-Aware Filter Family (BAFF), a class of (k,l)-parameterized hard filters that controls tolerance to each channel independently, providing a structured search space between these two extremes. We further propose a three-stage online measurement protocol that enables evaluating data-sharing strategies by their deviation from an interference-free reference model in production. In offline simulation, a (k,l) sweep surfaces operating points with smaller deviation from the interference-free reference model than both log-sharing and log-splitting. In a live RTB deployment on a demand-side platform (DSP), filter-based variants preserve the reference model's business metrics (e.g., CPC, CTR) more closely than both baselines. The best operating point is setting-dependent, underscoring the practical value of the search space itself.
- Abstract（参考訳）: リアルタイム入札(RTB)のオンラインA/Bテストでは、制御モデルと処理モデルは通常、対応するモデルによって生成されたデータを含む共有サービスログでトレーニングされる。
この共有ログトレーニングは、各モデルのトレーニングデータを2つのチャンネルを通じてバイアスする: 対応するモデルは、広告候補プールから異なる広告を選択したかもしれない(事前の意見の相違)し、異なる価格(入札価格の相違)を入札し、A/Bテストの結果を歪ませる可能性がある。
ログ分割はバイアスを排除しますが、トレーニングデータを犠牲にします。
我々は,各チャネルへの耐性を独立に制御する(k,l)パラメータ化ハードフィルタのクラスであるBid-Aware Filter Family (BAFF) を定式化し,これら2つの極端間の構造付き検索空間を提供する。
さらに,実運用における干渉のない参照モデルからの逸脱によるデータ共有戦略の評価を可能にする3段階のオンライン計測プロトコルを提案する。
オフラインシミュレーションでは、(k,l) は、ログ共有とログ分割の両方よりも干渉のない参照モデルからのずれが少ない操作点をスイープする。
要求側プラットフォーム(DSP)上のライブRTBデプロイメントでは、フィルタベースの変種は、両方のベースラインよりも、参照モデルのビジネスメトリクス(例えば、CPC、CTR)をより密に保持する。
最良の操作ポイントは設定依存であり、検索空間自体の実用的価値を裏付けるものである。
関連論文リスト
- FlowLOB: Efficient and Controllable Limit Order Book Generation with Flow Matching [2.6170335021096136]
制限順序帳(LOB)シミュレータは、現実的な市場ダイナミクス、計算効率のよいサンプリング、制御可能なシナリオ生成、トレーニング中に見られる機器を超えて一般化する能力を組み合わせることで、実践者にとって最も有用である。
香港取引所の複数のシンボルで訓練されたtextbfLOB トラジェクトリの条件付き textbfflow-matching ジェネレータ textbfFlowLOB を提案する。
論文 参考訳（メタデータ） (2026-08-13T11:01:56Z) - Amortized Interventional Forecasting for Multivariate CIR Processes [2.918919242459813]
平均回帰力学は金融において広く普及している。
CIRモデルは、列間のエンフコーズの影響ではなく、エンフコーズに関連するコムーブメントのみをキャプチャする。
論文 参考訳（メタデータ） (2026-08-04T14:17:35Z) - DualEval: Joint Model-Item Calibration for Unified LLM Evaluation [67.99119926012686]
DualEvalは、モデルと評価項目を共有空間で表現する潜在モデルイテムキャリブレーションフレームワークである。
我々はDualEvalを、コーディング、数学、雑多なドメイン知識タスク、汎用的な日常的なユーザクエリの4つの領域にまたがって適用する。
論文 参考訳（メタデータ） (2026-06-24T22:40:46Z) - Causal Representation Learning for Generalisable Recommendation [1.8124328823188354]
観測データに基づいてトレーニングされた予測モデルは、デプロイ時に遭遇する分布を一般化できないことが多い。
本稿では,入力の因果成分にのみ依存する情報理論的非絡み合い基準を提案し,その最適性を証明する。
当社の見出し評価は、Spotify上の数百万のユーザによるA/Bテストであり、個人化されたプレイリスト生成のためのプロダクションランキングに適用される。
論文 参考訳（メタデータ） (2026-05-26T13:58:36Z) - A Tale of Two Experts: Cooperative Learning for Source-Free Unsupervised Domain Adaptation [59.88864205383671]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、ソースデータにアクセスすることなく、ターゲットドメインにソース学習モデルを適用するという現実的な課題に対処する。
既存のSFUDA手法は、ソースモデルの予測のみを利用するか、大きなマルチモーダルモデルを微調整する。
本稿では、補完的な洞察と対象データの潜在構造を利用するためのエキスパート協調学習(EXCL)を提案する。
論文 参考訳（メタデータ） (2025-09-26T11:39:50Z) - Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳（メタデータ） (2025-02-11T19:24:09Z) - Distribution Alignment for Fully Test-Time Adaptation with Dynamic Online Data Streams [19.921480334048756]
TTA(Test-Time Adaptation)は、テストデータストリームの適応と推論を可能にする。
本稿では,TTAにおける新しい配電アライメント損失を提案する。
我々は、非i.d.シナリオにおける既存の手法を超越し、理想的なi.d.仮定の下で競争性能を維持する。
論文 参考訳（メタデータ） (2024-07-16T19:33:23Z) - The Effects of Data Split Strategies on the Offline Experiments for CTR Prediction [0.0]
本研究の目的は,現在のオフライン評価手法と実世界のユースケースの矛盾に対処することである。
大規模なオープンベンチマークデータセットであるCriteo上で、ランダムスプリットとテンポラルスプリットの両方を用いて広範な実験を行う。
論文 参考訳（メタデータ） (2024-06-26T13:01:52Z) - Knockoffs-SPR: Clean Sample Selection in Learning with Noisy Labels [56.81761908354718]
雑音ラベルを用いた学習のための,理論的に保証されたクリーンサンプル選択フレームワークを提案する。
Knockoffs-SPRは、標準的な教師付きトレーニングパイプラインのサンプル選択モジュールと見なすことができる。
さらに、ラベルなしデータとしてノイズデータのサポートを利用する半教師付きアルゴリズムと組み合わせる。
論文 参考訳（メタデータ） (2023-01-02T07:13:28Z) - VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。
具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。
当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
論文 参考訳（メタデータ） (2022-05-31T17:45:30Z) - Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。
入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。
分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
論文 参考訳（メタデータ） (2021-06-14T05:39:09Z)
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。