論文の概要: Auto-Bidding with Disentangled Advertiser Profiles and Train-Free Adaptation

• arxiv url: http://arxiv.org/abs/2609.21308v1
• Date: Fri, 18 Sep 2026 04:35:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.85885
• Title: Auto-Bidding with Disentangled Advertiser Profiles and Train-Free Adaptation
• Title（参考訳）: アンタングル型アドバタイザプロファイルと列車自由適応による自動入札
• Abstract要約: 我々はtextbfADAPT, underlinetextbfDisentangled underlinetextbfAdvertiser underlinetextbfProfiles と underlinetextbfTraining-free 適応を備えた UnderlinetextbfAuto-bidding フレームワークを提案する。 ADAPTは、大規模な自動入札ベンチマークにおいて、一貫して優れたパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 13.526893434600467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Auto-bidding is a key component of modern advertising systems that provides a personalized bidding strategy for each advertiser. By characterizing each individual, profile-based methods achieve personalization and have proven effective in domains such as recommendation. However, despite the diverse bidding behavior of advertisers, their application to auto-bidding remains limited. A primary reason is that constructing and leveraging advertiser profiles face several challenges: extracting pure profiles is non-trivial, modeling common and private information simultaneously is difficult, and profile updating and cold-start adaptation remain challenging. To tackle these issues, we propose \textbf{ADAPT}, an \underline{\textbf{A}}uto-bidding framework with \underline{\textbf{D}}isentangled \underline{\textbf{A}}dvertiser \underline{\textbf{P}}rofiles and \underline{\textbf{T}}raining-free adaptation. ADAPT introduces a two-stage training paradigm and supports training-free adaptation. Specifically, (i) the stage 1 extracts pure static and dynamic profiles via contrastive learning over the advertiser memory bank; (ii) the stage 2 disentangles the dynamic profile into a common profile and a private profile, and combines them with the static profile to jointly condition the bidding strategy; (iii) once trained, ADAPT constructs profiles for new advertisers and updates profiles of existing advertisers without retraining. Our experiments on a large-scale auto-bidding benchmark demonstrate that ADAPT consistently achieves superior performance, and ablation studies further validate the effectiveness of each module. The source code will be released at https://github.com/YuzunoKawori/ADAPT.
• Abstract（参考訳）: 自動入札は、広告主ごとにパーソナライズされた入札戦略を提供する、現代の広告システムの主要なコンポーネントである。 各個人を特徴付けることによって、プロファイルベースの手法はパーソナライゼーションを実現し、レコメンデーションなどの領域で有効であることが証明された。 しかし、広告主の入札行動は様々だが、自動入札の応用は依然として限られている。 純粋なプロファイルの抽出は非自明であり、共通情報とプライベート情報を同時にモデル化することは困難であり、プロファイル更新とコールドスタート適応は依然として困難である。 これらの問題に対処するために、 \textbf{ADAPT}, \underline{\textbf{A}}uto-bidding framework with \underline{\textbf{D}}isentangled \underline{\textbf{A}}dvertiser \underline{\textbf{P}}rofiles and \underline{\textbf{T}}raining-free adaptationを提案する。 ADAPTは2段階のトレーニングパラダイムを導入し、トレーニングフリー適応をサポートする。 具体的には i) ステージ1は、広告主のメモリバンクに対する対照的な学習を通じて、純粋な静的及び動的プロファイルを抽出する。 二 ステージ2は、動的なプロファイルを共通のプロファイルとプライベートプロファイルに切り離し、静的プロファイルと組み合わせて入札戦略を共同条件とする。 (iii)トレーニングが完了すると、ADAPTは新規広告主のプロフィールを構築し、既存の広告主のプロフィールを再トレーニングせずに更新する。 大規模オートバイディングベンチマークによる実験により,ADAPTは一貫して優れた性能を示し,各モジュールの有効性をさらに検証した。 ソースコードはhttps://github.com/YuzunoKawori/ADAPTで公開される。

関連論文リスト

• Design Your Ad: Personalized Advertising Image and Text Generation with Unified Autoregressive Models [75.31791398000492]
  広告画像とテキストの両方を生成するために,単一の自己回帰フレームワークを利用するUnified Advertisement Generative Model(Uni-AdGen)を開発した。 広告をよりパーソナライズするために、我々はUni-AdGenに粗い好み理解モジュールを装備する。 提案手法は,汎用的かつパーソナライズされた広告生成において,ベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-05-12T13:58:06Z)
• Bridging Textual Profiles and Latent User Embeddings for Personalization [26.383561311860106]
  本稿では,ユーザプロファイルを埋め込み型レコメンデーション目標と統合する強化学習フレームワークBLUEを提案する。 ブルーは、凍結およびトレーニング可能な埋め込み条件下で、強いベースラインを一貫して上回る。 これらの結果から,BLUEはパーソナライズのための識別可能なテキスト・プロファイリングと識別可能な潜在埋め込みを一体化するための効果的な方法であることが示された。
  論文  参考訳（メタデータ） (2026-05-07T21:59:12Z)
• DUET: Joint Exploration of User Item Profiles in Recommendation System [64.09357667290634]
  本稿では,ユーザやアイテムに対して効果的なテキストプロファイルを構築する方法について検討する。 最大の難点は、最高のプロファイルフォーマットがプリオリを知らないことである。 ユーザ履歴とアイテムエビデンスの両方で条件付きユーザプロファイルとアイテムプロファイルを共同で生成するインタラクション対応プロファイル生成器であるDuetを提案する。
  論文  参考訳（メタデータ） (2026-04-15T12:37:40Z)
• LettinGo: Explore User Profile Generation for Recommendation System [45.40232561275015]
  本稿では,多様なユーザプロファイルを生成するための新しいフレームワークであるLetinGoを紹介する。 我々のフレームワークは、推奨精度、柔軟性、文脈認識を著しく向上させます。
  論文  参考訳（メタデータ） (2025-06-23T05:51:52Z)
• User Profile with Large Language Models: Construction, Updating, and Benchmarking [0.3350491650545292]
  高品質なオープンソースユーザプロファイルデータセットを2つ提示する。 これらのデータセットは、ユーザープロファイルモデリング技術を評価するための強力な基盤を提供する。 プロファイル構築と更新の両方に対処するために,大規模言語モデルを用いた方法論を示す。
  論文  参考訳（メタデータ） (2025-02-15T03:57:52Z)
• Self-regulating Prompts: Foundational Model Adaptation without Forgetting [112.66832145320434]
  本稿では,PromptSRCと呼ばれる自己正規化フレームワークを提案する。 PromptSRCはタスク固有の汎用表現とタスクに依存しない汎用表現の両方に最適化するプロンプトを導く。
  論文  参考訳（メタデータ） (2023-07-13T17:59:35Z)
• Client-specific Property Inference against Secure Aggregation in Federated Learning [52.8564467292226]
  フェデレートラーニングは、さまざまな参加者の間で共通のモデルを協調的に訓練するための、広く使われているパラダイムとなっている。 多くの攻撃は、メンバーシップ、資産、または参加者データの完全な再構築のような機密情報を推測することは依然として可能であることを示した。 単純な線形モデルでは、集約されたモデル更新からクライアント固有のプロパティを効果的にキャプチャできることが示される。
  論文  参考訳（メタデータ） (2023-03-07T14:11:01Z)

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。