論文の概要: ScalarLens: Numerical Embeddings with Stable Coordinates and Contextual Responses for CTR Prediction

• arxiv url: http://arxiv.org/abs/2609.29182v1
• Date: Thu, 24 Sep 2026 07:54:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.781815
• Title: ScalarLens: Numerical Embeddings with Stable Coordinates and Contextual Responses for CTR Prediction
• Title（参考訳）: ScalarLens: CTR予測のための安定コーディネートとコンテキスト応答を備えた数値埋め込み
• Abstract要約: ScalarLensを紹介します。これは数値埋め込みで、どのように解釈されるべきかを適用しながら、値が何かを保存するものです。 19の表現、3つのデータセット、9つのバックボーン、3つのシードを含む1,539回の一次評価において、ScalarLensは、オリジナルの数値スケールで27のセットのうち25にランクインしている。
• 参考スコア（独自算出の注目度）: 9.015098165449276
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Numerical embeddings for click-through rate (CTR) prediction are built on a convenient but restrictive premise: a scalar has one representation. This premise conflates where a value lies with what it means for the current sample. On the Criteo validation split, the same numerical interval carries residual click evidence with opposite signs across categorical and numerical contexts, even after additive main effects are removed. Production pipelines compound this mismatch because externally normalized features require transformations and statistics to remain synchronized between training and serving. We introduce ScalarLens, a numerical embedding that preserves what a value is while adapting how it should be interpreted. A monotone local mesh constructs a stable coordinate from the focal scalar alone; bounded low-rank dynamics then produce a contextual response without moving that coordinate or replacing categorical tokens and the CTR backbone. In a 1,539-run primary evaluation covering 19 representations, three datasets, nine backbones, and three seeds, ScalarLens ranks first in 25 of 27 settings on original numerical scales and second in the remaining two. Matched ablations show that scale correction, additional local capacity, and generic conditioning do not reproduce the gain. A controlled study further recovers categorical, numerical, and mixed response mechanisms under context shift while the focal coordinate remains exactly invariant. A complete rerun under shared standardization retains significant advantages over DEER, DAES, and NaryDis, showing that the result is not explained by tolerance to raw scales alone. ScalarLens therefore recasts numerical embedding as a measurement problem: coordinates belong to values, while predictive responses belong to values in context.
• Abstract（参考訳）: クリックスルーレート(CTR)予測のための数値埋め込みは便利だが制約のある前提で構築される。 この前提は、現在のサンプルで意味する値がどこにあるかが混ざり合っている。 Criteo の検証分割では、加算主効果が除去された後も、同じ数値間隔は、カテゴリーや数値の文脈にまたがる反対の符号を持つ残差クリックエビデンスを持つ。 外部の正規化された機能は、トレーニングとサービス間の同期を維持するために変換と統計を必要とするため、プロダクションパイプラインはこのミスマッチを複雑にします。 ScalarLensを紹介します。これは数値埋め込みで、どのように解釈されるべきかを適用しながら、値が何かを保存するものです。 モノトーン局所メッシュは、焦点スカラーのみから安定な座標を構成する; 有界な低ランクダイナミクスは、その座標を移動したり、カテゴリートークンやCTRバックボーンを置き換えたりすることなく、文脈応答を生成する。 19の表現、3つのデータセット、9つのバックボーン、3つのシードを含む1,539回の一次評価において、ScalarLensは27のセッティングのうち、最初の数値スケールで25位、残りの2つで2位にランクインした。 一致したアブレーションは、スケール補正、局所容量の追加、一般的な条件付けがゲインを再現しないことを示している。 制御された研究は、焦点座標が正確に不変である間、文脈シフトの下でのカテゴリー、数値、混合応答機構をさらに回復する。 共有標準化の下での完全な再実行は、DEER、DAES、NaryDisに対する大きなアドバンテージを保持しており、結果が生のスケールへの耐性によって説明されないことを示している。 そのため、ScalarLensは数値埋め込みを測定問題として再キャストし、座標は値、予測応答はコンテキスト内の値である。

関連論文リスト

• Feature Priming in Online Linear Regression: Sparse-Regret Lower Bounds and a Tight Univariate Rate [47.36630149538994]
  高次元のオンライン予測では、最良の予測子はいくつかの機能にのみ依存する可能性があるため、後悔は周囲の次元ではなく、疎らさでスケールすべきである。 WarmuthとAmidはCOLT 2023で、これらの3つのルールのいずれかが競合するオンライン後悔の保証を認めているかどうかを尋ねた。 安価なニュアンスは、リフィットが真の予測座標を過度に重くする原因となる。
  論文  参考訳（メタデータ） (2026-08-18T09:32:03Z)
• Residual Algebra for Representation-Preserving Learning [7.900277891102576]
  我々は、座標系と、それが未解決のまま残す残基の両方を所有する型付きオブジェクトである残基を代数学化する。 Foldは、オブジェクトを10×10ランクグリッド上のポイント・イン・タイム条件付き平均フィールドとして認識する。 3.67万の中国Aシェアストックデー観測(2023-2026)において、評価された基本代数は13.52%から19.10%に、シャープは1.42から2.09に上昇する。
  論文  参考訳（メタデータ） (2026-08-07T15:44:55Z)
• Rank-Aware Hyperbolic Alignment for Vision-Language Dataset Distillation [54.74045834035952]
  視覚言語データセット蒸留(VLDD)は、大きな画像テキストのペア化されたデータセットを小さな合成ペアに圧縮する。 階層幾何学と明示的なアライメント・キャパシティ制御を組み合わせたランク認識型双曲アライメント(RAHA)を提案する。 RAHAは、競争力のあるクロスモーダル検索と、固定予算下での転送インジケータの改善を示す。
  論文  参考訳（メタデータ） (2026-06-28T15:41:31Z)
• CAIRO: Decoupling Order from Scale in Regression [13.755937210012883]
  回帰を2つの異なる段階に分離する枠組みを提案する。 第1段階では,スケール不変ランキングの損失を最小限に抑えることで,スコアリング関数を学習する。 第2に,等速回帰による目標スケールの復元を行う。
  論文  参考訳（メタデータ） (2026-02-16T03:50:05Z)
• Ensemble Threshold Calibration for Stable Sensitivity Control [0.0]
  本稿では,数千万組の幾何対もの幾何に対して,過度に分散した正確なリコールを実現するエンド・ツー・エンドのフレームワークを提案する。 我々のアプローチは、小さなエラーで常にリコールターゲットにヒットし、他のキャリブレーションと比較して冗長な検証を減らし、単一のTPU v3コア上でエンドツーエンドで実行します。
  論文  参考訳（メタデータ） (2025-10-02T15:22:28Z)
• Benign Overfitting and the Geometry of the Ridge Regression Solution in Binary Classification [75.01389991485098]
  リッジ回帰はクラスタ平均ベクトルのスケールによって定性的に異なる挙動を示す。 スケールが非常に大きいレジームでは、良心過剰を許容する条件は回帰タスクと同一であることが判明した。
  論文  参考訳（メタデータ） (2025-03-11T01:45:42Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Discrete-Constrained Regression for Local Counting Models [27.1177471719278]
  局所数(かんそく、英: local count)は、自然界における連続的な値である。 最近の最先端の手法では、分類タスクとしてのカウントの定式化が回帰よりも優れていることが示されている。 この結果は、不正確な真実の局所的な数によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-07-20T12:54:23Z)
• Tail-to-Tail Non-Autoregressive Sequence Prediction for Chinese Grammatical Error Correction [49.25830718574892]
  本稿では,Tail-to-Tail (textbfTtT) という新しいフレームワークを提案する。 ほとんどのトークンが正しいので、ソースからターゲットに直接転送でき、エラー位置を推定して修正することができる。 標準データセット、特に可変長データセットに関する実験結果は、文レベルの精度、精度、リコール、F1-Measureの観点からTtTの有効性を示す。
  論文  参考訳（メタデータ） (2021-06-03T05:56:57Z)

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。