論文の概要: Dense Feature Representation over Sequence Modeling: A Solution to the KDD Cup 2026 UniRec Challenge
- arxiv url: http://arxiv.org/abs/2609.19787v1
- Date: Thu, 17 Sep 2026 06:52:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.129087
- Title: Dense Feature Representation over Sequence Modeling: A Solution to the KDD Cup 2026 UniRec Challenge
- Title（参考訳）: シーケンスモデリングにおけるDense Feature Representation: A Solution to the KDD Cup 2026 UniRec Challenge
- Abstract要約: KDD Cup Tencent UniRec Challengeの10位となるソリューションについて説明する。
どのメカニズムが実際にAUCを動かしているか尋ねる。
- 参考スコア（独自算出の注目度）: 3.195386161368065
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We describe our 10th-place solution to the KDD Cup 2026 Tencent UniRec Challenge, industrial click-to-conversion (CVR) prediction over 34.82M records, and we ask which mechanisms actually move held-out AUC. Starting from the official PCVRHyFormer baseline, a 15-step single-variable chain raises test AUC from 0.813237 to 0.827816, and our final submission reaches 0.828535. A leave-one-out ablation from the full model attributes the gain: removing the dense-feature representation stack costs 0.0095 AUC and removing the orthogonalized optimizer costs 0.0028, while no sequence-modeling component (merged single-stream backbone, polarity channel, auxiliary head, per-token FFN) costs more than 0.0005, within or adjacent to a $\pm$0.0004 seed band. We also report a generalization hazard: the row-group train/validation split shares one time window, so validation AUC overstates the leaderboard by about 0.014; anti-memorization and high-cardinality-ID changes even invert sign against it, a divergence that traces to dump-to-dump distribution shift and survives a time-ordered re-split. Dense representation and optimization, not finer sequence modeling, drive CVR AUC at this scale, and verdicts must come from the held-out leaderboard.
- Abstract（参考訳）: 我々は,KDDカップ2026 Tencent UniRec Challenge,34.82Mレコードに対する産業用クリック・トゥ・コンバージョン(CVR)予測に対する10番目のソリューションについて述べる。
公式のPCVRHyFormerベースラインから始めて、15ステップの単変数チェーンがテストAUCを0.813237から0.827816に上げ、最終提出は0.828535に達する。
密集した表現スタックの除去は0.0095 AUC、直交したオプティマイザの除去は0.0028、シーケンスモデリングコンポーネント(シングルストリームバックボーン、ポーラリティチャネル、補助ヘッド、トーケン毎FFN)は0.0005以上で、$$\pm$0.0004シードバンドに隣接している。
また,本報告では,行群が1時間間隔で分割し,検証AUCがリーダボードを0.014に上書きし,反記憶化と高心電図変化が逆手形にも及ぼし,ダンプからダンプまでの分布変化を辿り,タイムオーダーのリスプリットを生き残るという一般化の危険性を報告した。
複雑な表現と最適化は、より微細なシーケンスモデリングではなく、この規模でCVR AUCを駆動する。
関連論文リスト
- QueryFormer: Winning Solution for KDD Cup 2026 Tencent UniRec Challenge [7.822815722530024]
ポストクリック変換率(pCVR)予測は、機能相互作用とシーケンシャルなユーザの振る舞いを共同でモデル化する必要がある。
KDDカップ2026 Tencent UniRec Challengeは、両方に対処する統一アーキテクチャを求めている。
我々は、スタック可能な統一フィールド-シーケンスブロックを中心にしたQueryFormerを提案する。
論文 参考訳（メタデータ） (2026-09-15T02:46:27Z) - K/V-Cache Interventions Dissociate Representation Alignment from Persona Expression in Decoder-Only Language Models [32.7114174898989]
我々は,デコーダのみの言語モデルにおけるペルソナ制御のための構造化曲面として,K/V-cacheの介入について検討する。
表現レベルのアライメントと行動表現の間には2つの一貫した普遍性があり,また位置摂動下での共通の失敗も報告する。
論文 参考訳（メタデータ） (2026-09-10T02:56:50Z) - Self-Supervised Pretext Tasks for Infant Cry Analysis: A Controlled Comparison and a Cautionary Result on Donateacry [0.0]
本研究は,乳幼児の泣き声分析における自己指導型プレテキストタスクを,固定予算下で6つ比較した。
涙検出では、再構成対象が支配的であり、マスク付きスペクトルエンコーダ上の線形プローブは、主観的な分割で0.988 AUCに達する。
ドナークリー文献の90%以上を自己のシステムで再現し,評価プロトコル以外の何も変更せずに再現する。
論文 参考訳（メタデータ） (2026-08-31T08:43:48Z) - Aggregate, Don't Adapt: Subject-Level Posterior Aggregation and Transductive Calibration for Cross-Site Parkinsonian Gait Severity [0.0]
ここでは,Parkinsonian GaitにおけるMoCha 2026ベンチマークとチャレンジの勝者について述べる。
トレーニング中に見えない臨床現場で記録された正常化SMPL運動から歩行重症度を予測する。
論文 参考訳（メタデータ） (2026-08-20T21:49:52Z) - Consistent Evidence, Robust Recognition: Faithful Attribution Regularization under Geometric Transformations [42.90321348046055]
画像領域のサブモジュール探索に基づくアノテーションのない属性正規化フレームワークを提案する。
候補部分集合がモデル出力にどのように影響するかを測定することで、探索は、コンパクトでクラス識別的な証拠を探索由来の監督として抽出する。
ImageNet-100の実験結果から,VT-B/16の属性安定性,挿入性,削除性は0.28ポイントの精度低下で大幅に向上することがわかった。
論文 参考訳（メタデータ） (2026-07-26T20:41:38Z) - Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。
本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
論文 参考訳（メタデータ） (2026-07-23T09:59:30Z) - Membership Inference Attacks on Discrete Diffusion Language Models [0.0]
MDLMの微調整によるMIA攻撃について検討し、現在の灰色のボックスベースラインが示唆しているよりもかなり脆弱であることを示す。
また、Kは非関連領域のデータに基づいて訓練された3つの代理MDLMに等しいシャドーモデル転送攻撃を設計し、ターゲット領域へのアクセスのないラベルを生成する。
論文 参考訳（メタデータ） (2026-05-15T01:38:26Z) - Accurate Network Traffic Matrix Prediction via LEAD: a Large Language Model-Enhanced Adapter-Based Conditional Diffusion Model [41.23125529149133]
本稿では,交通行列をRGB画像に変換する条件拡散モデルLEADを提案する。
また,拡散モデルを誘導し,複雑な動的ネットワークトラフィックを生成するDual-Conditioning Strategyを提案する。
AbileneとGEANTデータセットの実験では、LEADがすべてのベースラインを上回っていることが示されている。
論文 参考訳（メタデータ） (2026-01-29T09:16:05Z) - DC-Solver: Improving Predictor-Corrector Diffusion Sampler via Dynamic Compensation [68.55191764622525]
拡散モデル(DPM)は、視覚合成において顕著な性能を示すが、サンプリング中に複数の評価を必要とするため、計算コストが高い。
最近の予測器合成・拡散サンプリング装置は,要求される評価回数を大幅に削減したが,本質的には誤調整の問題に悩まされている。
我々はDC-CPRrと呼ばれる新しい高速DPMサンプリング装置を導入する。
論文 参考訳（メタデータ） (2024-09-05T17:59:46Z)
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。