論文の概要: From Prompt to Recommendation: A Fitted Stage Model of Brand Visibility in AI Search

• arxiv url: http://arxiv.org/abs/2609.23162v1
• Date: Sat, 19 Sep 2026 18:20:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 17:04:22.930818
• Title: From Prompt to Recommendation: A Fitted Stage Model of Brand Visibility in AI Search
• Title（参考訳）: プロンプトからレコメンデーションへ:AI検索におけるブランド可視性の整ったステージモデル
• Abstract要約: 我々は75の匿名プロジェクトから34,960個の無ブランドのプロンプトエンジン観測を行った。 その結果,GPTでは40.2ポイント,Geminiでは49.0ポイント,平均言及率では40.2ポイントの上昇がみられた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We analyze 34,960 unbranded prompt-engine observations from 75 anonymized Aiso projects, covering 2,854 distinct monitored prompts and repeated GPT and Gemini runs from June-September 2026. When neither the target brand nor its own domain appears in the observable live retrieval path, target mention rates are 2.8% for GPT and 3.8% for Gemini. With an own-domain citation but no branded fan-out, they rise to 49.0% and 58.4%. When both own-domain exposure and a branded fan-out occur, mention rates reach 91.4% and 100%. The relationship persists within the same project, prompt, and engine across repeated runs: among prompt cells that vary in own-domain exposure while holding branded fan-out absent, exposure is associated with a mean mention-rate increase of 40.2 percentage points on GPT and 49.0 points on Gemini. Prior visibility is independently persistent. A previous non-mention plus no current own-domain exposure yields next-run mention rates of 1.6% and 1.9%; previous mention plus current exposure yields 80.5% and 83.7%. We fit a chronological diagnostic model using prior-run history and contemporaneous retrieval indicators: $ \operatorname{logit}P(M_t=1)=α_e+β_e\operatorname{logit}(\widetilde P_{t-1})+γ_e E_t+δ_e F_t+θ_e^\top X. $ On the latest 30% holdout, the full model achieves AUC 0.963 on GPT and 0.942 on Gemini, compared with 0.937/0.917 for prior history alone and 0.880/0.840 for live signals alone. A manually curated prompt sensitivity gives nearly identical AUCs (0.960 and 0.943). A separate 199-prompt page-corpus validation finds that prompt-page match predicts Gemini exposure (AUC 0.641) more clearly than GPT exposure (0.545), placing relevance upstream of a larger engine-mediated exposure effect. The equation is predictive and observational, not a causal description of proprietary engine internals.
• Abstract（参考訳）: 2026年6月から9月にかけて、75の匿名化プロジェクトから34,960個の無ブランドのプロンプトエンジン観測を行い、2,854個の異なるプロンプトと繰り返しGPTとジェミニをカバーした。 対象のブランドやドメインが観測可能なライブ検索パスに存在しない場合、対象の参照レートはGPTが2.8%、Geminiが3.8%である。 独自のドメインの引用があるが、ブランディングされたファンアウトはなく、49.0%と58.4%に上昇する。 自己ドメインの露出とブランディングされたファンアウトの両方が起こると、参照率は91.4%と100%になる。 この関係は、同じプロジェクト、プロンプト、繰り返し実行されるエンジン内で持続する: ブランディングされたファンアウトが欠如している間に自己ドメインの露出が変化するプロンプト細胞のうち、露出はGPTの40.2ポイント、Geminiの49.0ポイントの平均参照率の増加と関連している。 事前の可視性は独立して持続する。 それまでの非メンションと現在の自己ドメインの露出は次回の言及率は1.6%と1.9%であり、前回の言及と現在の露出は80.5%と83.7%である。 $ \operatorname{logit}P(M_t=1)=α_e+β_e\operatorname{logit}(\widetilde P_{t-1})+γ_e E_t+δ_e F_t+θ_e^\top X. $ 最新の30%ホールドアウトでは、GPTではAUC 0.963、Geminiでは0.942、前史では0.937/0.917、ライブ信号では0.880/0.840である。 手動でキュレートされたプロンプト感度は、ほぼ同じAUC(0.960と0.943)を与える。 別個の199プロンプトページコーパス検証では、プロンプトページマッチングはGPT露光(0.545)よりも明確にジェミニ露光(AUC 0.641)を予測し、より大きなエンジンによる露光効果の上流に関連性を置く。 この方程式は予測的かつ観察的であり、プロプライエタリなエンジン内部の因果的記述ではない。

関連論文リスト

• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Domain-Specific Hallucination Detection in Large Language Models [0.0]
  大規模言語モデルは、不誠実なクレームを含むことができる流動的なテキストを生成する。 微調整されたDeBERTa-v3分類, Monte Carlo (MC) Dropoutの不確実性定量化を組み合わせた多信号検出パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-09-10T17:45:36Z)
• Cross-Dataset Transfer and Reliability of Explainable Artificial Intelligence for RhythmFormer Remote Photoplethysmography [1.647210198730602]
  リモート光胸腺撮影は、顔画像から心臓血管の脈波を推定する。 それらの説明を定量化し、モデルの性能に関連があるかどうかを問うた。 ある条件に対する帰属が示すのは、その地図がどれだけ忠実に順序付けられたかというよりも、モデルがどのように見えるかである。
  論文  参考訳（メタデータ） (2026-09-03T10:59:45Z)
• PGP-Clinical-TimeKAN: Prior-Guided Joint Probabilistic Forecasting of Clinical Trajectories [33.074550441856196]
  PGP-Clinical-TimeKANは多変量生理学の合同確率予測のための軌道優先のフレームワークである。 欠如を意識した時間エンコーダ、ソフトオルガン前駆体、患者固有の関係、非線形コルモゴロフ・アルノルドメッセージ、低ランクの多変量学生-tヘッドを組み合わせる。
  論文  参考訳（メタデータ） (2026-08-24T23:33:35Z)
• BioSecBench-Surveillance: A Verifiable Benchmark for AI Agents in Pathogen Genomic Surveillance [1.1800365763212117]
  BioSecBench-Surveillanceは100評価の検証可能なベンチマークである。 各評価は、エージェントに人間のアナリストが持つデータとコンテキストのみを与え、その構造化された回答を決定論的に評価する。 PIのオプス4.8は50.2%で、信頼区間の95%が40.1から60.3%と評価された。
  論文  参考訳（メタデータ） (2026-07-21T16:33:57Z)
• Calibrated Alzheimer's Conversion Risk in Mild Cognitive Impairment: Persistent Homology of Clinical Trajectories with Conformal Guarantees [0.0]
  軽度の認知障害からアルツハイマー病への転換を予測することは、臨床試験とケア計画の中心である。 既存のモデルは個々のレベルの不確実性評価を提供しておらず、透明な漏洩監査を含むことは滅多にない。 本研究は, 持続的ホモロジーの経時的臨床軌道点雲への応用について紹介する。
  論文  参考訳（メタデータ） (2026-07-20T00:00:17Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Time-Series at the Edge: Tiny Separable CNNs for Wearable Gait Detection and Optimal Sensor Placement [3.7765281299298015]
  我々は,3軸加速度の短い窓から発生するパーキンソン病(PD)の歩行検出のためのデバイス上での時系列解析について検討した。 1つの文献ベースライン(分離可能な畳み込み)と2つのウルトラライトモデル(純粋に分離可能なもの)である。
  論文  参考訳（メタデータ） (2025-11-29T08:52:41Z)
• Causal Understanding by LLMs: The Role of Uncertainty [43.87879175532034]
  近年の論文では、LLMは因果関係分類においてほぼランダムな精度を達成している。 因果的事例への事前曝露が因果的理解を改善するか否かを検討する。
  論文  参考訳（メタデータ） (2025-09-24T13:06:35Z)

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。