論文の概要: Billion-Scale Thumbnail Optimization for Uncurated Short-Form Videos via Multi-Armed Bandits

• arxiv url: http://arxiv.org/abs/2610.04931v1
• Date: Sun, 04 Oct 2026 04:17:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 07:50:12.502454
• Title: Billion-Scale Thumbnail Optimization for Uncurated Short-Form Videos via Multi-Armed Bandits
• Title（参考訳）: マルチArmed Banditsによる不正確なショートフォームビデオに対する数十億ドル規模のThumbnail最適化
• Abstract要約: 本稿では,大規模なショートフォームビデオプラットフォーム上にグローバルな$O(B)$スケールで展開するリアルタイムサムネイル最適化システムを提案する。 静的なデフォルトフレームを動的にデータ駆動の選択に置き換える、完全に自動化されたエンドツーエンドフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.197233365112429
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a real-time thumbnail optimization system deployed at a global $O(B)$ scale on a major short-form video platform. Unlike traditional long-form content, where custom thumbnails are heavily curated by creators, a considerable fraction of short-form videos are published without human-selected artwork. To address this uncurated corpus, we present a fully automated, end-to-end framework that replaces static default frames with dynamic, data-driven selections across billions of videos. To the best of our knowledge, this is the first published work demonstrating an online Multi-Armed Bandit framework successfully deployed at an $O(B)$ scale for uncurated short-form video discovery. Our solution pairs a multi-stage candidate generation pipeline with a low-latency serving infrastructure. By initializing the exploration framework with image-specific priors derived from a deep visual quality model, the system minimizes exploration costs and dynamically serves optimal thumbnails at serving time. Global deployment demonstrates statistically significant improvements in core user discovery and engagement metrics.
• Abstract（参考訳）: 本稿では,大規模なショートフォームビデオプラットフォーム上にグローバルな$O(B)$スケールで展開するリアルタイムサムネイル最適化システムを提案する。 クリエーターがカスタムサムネイルを多用する伝統的なロングフォームコンテンツとは異なり、ショートフォームビデオのかなりの部分は、人間の選択したアートワークなしで公開される。 この未処理のコーパスに対処するために、静的なデフォルトフレームを数十億のビデオにまたがる動的でデータ駆動的な選択に置き換える、完全に自動化されたエンドツーエンドのフレームワークを提案する。 私たちの知る限りでは、これはオンラインマルチアーマッド・バンディットフレームワークが未処理のショートフォームビデオ発見のために$O(B)$スケールでデプロイされたことを示す最初の公開作品です。 我々のソリューションは、多段階の候補生成パイプラインと低レイテンシのサービスインフラストラクチャを組み合わせます。 ディープ・ビジュアル・クオリティ・モデルから派生した画像固有の先行データを用いて探索フレームワークを初期化することにより,探索コストを最小化し,提供時に最適なサムネイルを動的に提供する。 グローバルデプロイメントは、コアユーザディスカバリとエンゲージメントメトリクスの統計的に重要な改善を示している。

関連論文リスト

• Allocate Before You Embed: Adaptive Visual Input Allocation for Video Embeddings [17.842710275340142]
  大規模なビデオ検索では、密なビジュアルインプットと推論予算の下で、長く多様なビデオをエンコードするために埋め込みモデルが必要である。 我々の経験的分析は、時間的カバレッジの拡大は、固定された視覚入力予算の下でも、検索を改善することを示している。 この発見に触発されたAllocEmbedは、多くのフレームにまたがる固定された視覚入力予算を再配置する、アロケートされた組込みフレームワークである。
  論文  参考訳（メタデータ） (2026-09-01T18:49:30Z)
• Multimedia Asset Personalization via Multimodal Embeddings at Netflix [2.4399698742885767]
  マルチモーダルな埋め込みが、Netflixのプロダクションシステムをどう変えたかを説明する。 予め訓練された画像埋め込みが、クロスタイトル、クロスキャンバスの知識伝達を解き放つ方法を示す。 当社の社内トリモーダル・ファンデーションモデルであるMediaFMについて説明する。
  論文  参考訳（メタデータ） (2026-08-18T21:15:56Z)
• SA-VIS: Sparse frame Annotations for training Video Instance Segmentation [58.2561806729996]
  最近のオンラインビデオインスタンスセグメンテーション(VIS)手法は印象的な成果を上げており、ビデオ内のセグメントインスタンスに対して好まれるアプローチとなっている。 しかし、VISのトレーニング設定は、計算だけでなく、高密度なアノテーションも必要である。 ビデオにおけるインスタンスの効果的なモデリングとそれらの進化は、高密度に注釈付けされたフレームを必要としない、と我々は主張する。 このシンプルで低スループットなモジュールは、端から端までのトレーニングにスパースビデオフレームラベルを使用することで、膨大な学習能力を提供します。
  論文  参考訳（メタデータ） (2026-06-18T12:03:04Z)
• FLoC: Facility Location-Based Efficient Visual Token Compression for Long Video Understanding [55.700832127331324]
  FLoCは、施設位置関数に基づく効率的なビジュアルトークン圧縮フレームワークである。 本手法は,トークンのコンパクトな部分集合を迅速に選択することにより,顕著な効率向上を実現する。 私たちのアプローチは、トレーニング不要、モデル非依存、クエリ非依存で、汎用的なソリューションを提供しています。
  論文  参考訳（メタデータ） (2025-10-31T17:29:39Z)
• Scene Detection Policies and Keyframe Extraction Strategies for Large-Scale Video Analysis [0.0]
  本稿では,シーンの自動検出と選択のための統一的適応フレームワークを提案する。 短編メディアから長編映画、アーカイブコンテンツ、監視映像まで、様々なフォーマットを扱う。 このシステムは商用のビデオ分析プラットフォームにデプロイされ、メディア、教育、研究、セキュリティドメインからのコンテンツを処理している。
  論文  参考訳（メタデータ） (2025-05-31T18:37:21Z)
• EdgeVidSum: Real-Time Personalized Video Summarization at the Edge [3.102586911584193]
  EdgeVidSumは、エッジデバイス上で、ロングフォームビデオのパーソナライズされた高速な要約を生成する方法である。 このフレームワークは階層的な分析手法を用いており、軽量な2D CNNモデルによりサムネイルからユーザの好むコンテンツを識別する。 インタラクティブなデモでは、個々のユーザの好みに基づいて、映画、スポーツイベント、テレビ番組などのロングフォームビデオ用に調整されたビデオ要約を作成する能力を強調しています。
  論文  参考訳（メタデータ） (2025-05-28T18:59:41Z)
• Multi-subject Open-set Personalization in Video Generation [110.02124633005516]
  我々は、マルチオブジェクトでオープンなパーソナライズ機能を備えたビデオモデルとして、Video Alchemist $-$を提示する。 本モデルは,各条件付き参照画像と対応する主観レベルテキストプロンプトを融合するDiffusion Transformerモジュール上に構築されている。 本手法は,定量評価と定性評価の両方において,既存のパーソナライズ手法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-01-10T18:59:54Z)
• Multimodal Contextualized Support for Enhancing Video Retrieval System [0.0]
  本稿では,マルチモーダルデータを抽出し,ビデオ内に複数のフレームから情報を組み込む,新たな検索パイプラインを統合するシステムを提案する。 パイプラインは、単一のイメージ内のオブジェクト検出のみに焦点を当てるのではなく、ビデオクリップから推論できるものに焦点を当てて、潜在意味をキャプチャする。
  論文  参考訳（メタデータ） (2024-12-10T15:20:23Z)
• A Simple Recipe for Contrastively Pre-training Video-First Encoders Beyond 16 Frames [57.758863967770594]
  我々は,大規模な画像テキストモデルを浅部時間融合によりビデオに転送する共通パラダイムを構築した。 1)標準ビデオデータセットにおけるビデオ言語アライメントの低下による空間能力の低下と,(2)処理可能なフレーム数のボトルネックとなるメモリ消費の増大である。
  論文  参考訳（メタデータ） (2023-12-12T16:10:19Z)

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。