論文の概要: PPDL: A Real-world Industrial User Retention Ratio Forecasting Framework Integrating Physical Priors with Deep Learning

• arxiv url: http://arxiv.org/abs/2609.13789v1
• Date: Sat, 12 Sep 2026 08:04:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.551456
• Title: PPDL: A Real-world Industrial User Retention Ratio Forecasting Framework Integrating Physical Priors with Deep Learning
• Title（参考訳）: PPDL: 物理プライオリティとディープラーニングを統合した実世界の産業用ユーザ保持率予測フレームワーク
• Abstract要約: 本稿では,物理先行情報と深層学習を統合する新しい予測フレームワークPPDLを提案する。 PPDLは産業規模のデータセットに関する包括的な実験を通じて検証される。
• 参考スコア（独自算出の注目度）: 13.789714731107617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In multi-channel paid user acquisition, early and accurate prediction of user retention at the channel level is crucial for optimizing budget allocation. User retention curves display a pronounced temporal pattern: an initial period of high churn transitions into long-term stability. This pattern is further characterized by regular fluctuations attributable to seasonality and exhibits high serial autocorrelation. These intrinsic properties make such curves highly suitable for analysis within a time-series forecasting framework. However, forecasting user retention ratio for large-scale short-video platform faces three major challenges: significant heterogeneity across channels, pronounced global trend of decay followed by saturation, and short look-back windows. To address these challenges, we propose PPDL, a novel forecasting framework that integrates physical priors with deep learning. We first introduce a trend-residual decomposition component. The trend is modeled using the Weibull distribution, whose parameters are learned via a Multilayer Perceptron (MLP). Secondly, for the residual component, we design an auxiliary embedding module on top of a deep learning backbone to maintain the channel identity awareness. Finally, to enhance the model's sensitivity to trends, we design a Multiscale Trend-penalized loss function. The proposed approach PPDL is validated through comprehensive experiments on industrial-scale datasets, covering three applications with an average of 30+ channels each. Experimental results show that PPDL achieves improvements across different backbones and significantly outperforms existing online solutions.
• Abstract（参考訳）: 多チャンネル有償ユーザ獲得においては、予算配分を最適化するためには、チャネルレベルでのユーザ保持の早期かつ正確な予測が不可欠である。 ユーザの保持曲線は、時間的パターンとして発音される。 このパターンは季節性に起因する規則的なゆらぎによってさらに特徴付けられ、高いシリアル自己相関を示す。 これらの内在的性質は、時系列予測フレームワーク内での分析に非常に適している。 しかし、大規模なショートビデオプラットフォームにおけるユーザ保持率の予測には、チャネル間の顕著な異質性、グローバルな崩壊傾向と飽和傾向、ショートルックバックウィンドウの3つの大きな課題がある。 これらの課題に対処するために,物理先行と深層学習を統合する新しい予測フレームワークPPDLを提案する。 まず、トレンド-残留分解成分を紹介する。 この傾向はWeibull分布を用いてモデル化され、パラメータはMLP(Multilayer Perceptron)を介して学習される。 第2に、残余成分に対して、チャネル識別の認識を維持するために、深層学習バックボーンの上に補助的な埋め込みモジュールを設計する。 最後に、トレンドに対するモデルの感度を高めるために、マルチスケールトレンド有料化損失関数を設計する。 PPDLのアプローチは,産業規模のデータセットに関する包括的な実験を通じて検証され,平均30以上のチャネルを持つ3つのアプリケーションをカバーする。 実験の結果,PPDLは様々なバックボーンの改善を実現し,既存のオンラインソリューションよりも優れていた。

関連論文リスト

• Three-Stage Learning Unlocks Strong Performance in Simple Models for Long-Term Time Series Forecasting [6.603558172147427]
  STAIRは、複雑なアーキテクチャモジュールを導入することなく、単純な時間マッピングモデルのキャパシティを開放することを目的としている。 まず、共有時間マッピングを通じて変数間の共通時間ダイナミクスを学習し、その後、チャネルワイドな微調整により各変数に共有モデルを適用することで、変数固有のパターンをキャプチャし、最後に、残差学習を通じてクロス変数情報でバックボーンを補完する。
  論文  参考訳（メタデータ） (2026-05-13T15:36:46Z)
• A Systematic Post-Train Framework for Video Generation [76.26555417456773]
  大規模ビデオ拡散モデルでは、高解像度でセマンティックにリッチなコンテンツを生成できることが顕著に示されている。 迅速な感度、時間的不整合、禁止的推論コストといった重要な問題のために、事前訓練されたパフォーマンスと実際のデプロイメント要件の間には、大きなギャップが残っている。 本研究では,事前学習されたモデルとユーザの意図を4つの相乗的段階を通して体系的に整合させる総合的なポストトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-28T09:34:51Z)
• Entropy-Guided Token Dropout: Training Autoregressive Language Models with Limited Domain Data [89.96277093034547]
  本研究では,エントロピー誘導型トークンドロップアウト方式であるEntroDropを導入する。 本稿では,EntroDropが標準正規化ベースラインを一貫して上回り,拡張型マルチエポックトレーニングを通じて堅牢な性能を維持していることを示す。
  論文  参考訳（メタデータ） (2025-12-29T12:35:51Z)
• Evaluating the Sensitivity of BiLSTM Forecasting Models to Sequence Length and Input Noise [0.04774522315161165]
  Bidirectional Long Short-Term Memory (BiLSTM)アーキテクチャは、複雑な時間的依存関係のキャプチャに特に有効である。 本研究では,入力シーケンス長と付加雑音の2つの重要なデータ中心因子について,系統的な実験的検討を行った。 実世界の3つのデータセットを用いて制御実験を行い、異なる入力条件下でのBiLSTM性能を評価する。
  論文  参考訳（メタデータ） (2025-12-07T17:10:06Z)
• WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
  本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。 WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。 私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-23T16:02:06Z)
• A Decomposition Modeling Framework for Seasonal Time-Series Forecasting [0.0]
  時系列は複雑な長期依存関係を示す。 本稿では、時系列予測のためのMSSD(Multi-scale Seasonal Decomposition Model)を提案する。
  論文  参考訳（メタデータ） (2024-12-12T01:37:25Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• Mitigating Data Redundancy to Revitalize Transformer-based Long-Term Time Series Forecasting System [46.39662315849883]
  本稿では,カリキュラム学習とメモリ駆動デコーダによる冗長性を緩和する新しいフレームワークであるCLMFormerを紹介する。 CLMFormerはTransformerベースのモデルを最大30%改善し、長距離予測の有効性を示している。
  論文  参考訳（メタデータ） (2022-07-16T04:05:15Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。