論文の概要: Towards a Unified Framework of Optimal Input-Side Dimensional Configuration for Deep CTR Prediction

• arxiv url: http://arxiv.org/abs/2610.35695v1
• Date: Mon, 26 Oct 2026 16:24:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.0707
• Title: Towards a Unified Framework of Optimal Input-Side Dimensional Configuration for Deep CTR Prediction
• Title（参考訳）: 深部CTR予測のための最適入力側次元構成の統一化に向けて
• Abstract要約: 深部CTR予測における最適入力側次元構成のための統合フレームワークであるOptIDCを提案する。 異なるレベルの選択決定を明示的にコーディネートするために、OptIDCは選択重み付き最適輸送機構を導入している。 4つの実世界のベンチマークデータセットの実験では、OptIDCは既存の入力側選択法よりも高いAUCを一貫して達成している。
• 参考スコア（独自算出の注目度）: 16.622006882244158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep click-through rate (CTR) prediction has achieved substantial success through increasingly expressive feature interaction architectures. However, predictive performance also depends on how input-side information is configured before interaction modeling. Existing studies have shown that selecting informative samples, features, or embedding units can improve prediction accuracy. Nevertheless, they primarily optimize these selection mechanisms independently along a single input-side dimension, overlooking their shared basic form and the inherent dependencies across input levels, thereby limiting the effectiveness of input-side dimensional configuration. To address this issue, we propose OptIDC, a unified framework for Optimal Input-side Dimensional Configuration in deep CTR prediction. OptIDC jointly learns sample, feature, and embedding-unit level configurations within a unified framework by integrating their corresponding selection mechanisms. To explicitly coordinate selection decisions across different levels, OptIDC further introduces a selection-weighted Optimal Transport mechanism that aligns coarse- and fine-grained selections via transport over finite measures, thereby alleviating cross-level selection conflicts while preserving the semantics of each input level. Moreover, OptIDC is model-agnostic and can be seamlessly integrated into existing CTR models. Extensive experiments on four real-world benchmark datasets demonstrate that OptIDC consistently achieves higher AUC than existing input-side selection methods, validating the effectiveness of unified input-side dimensional configuration.
• Abstract（参考訳）: ディープクリックスルーレート(Deep click-through rate, CTR)予測は、ますます表現力のある機能相互作用アーキテクチャを通じて大きな成功を収めている。 しかし、予測性能は、相互作用モデリングの前に入力側情報がどのように構成されるかにも依存する。 既存の研究では、情報的サンプル、特徴、または埋め込みユニットの選択が予測精度を向上させることが示されている。 それにもかかわらず、彼らはこれらの選択機構を1つの入力側次元に沿って独立に最適化し、共有された基本形式と入力レベル間の固有の依存関係を見渡すことで、入力側次元構成の有効性を制限した。 この問題に対処するため,我々は,深部CTR予測における最適入力側次元構成のための統合フレームワークであるOpsIDCを提案する。 OptIDCは、サンプル、特徴、埋め込みユニットレベルの構成を、対応する選択メカニズムを統合することで、統合されたフレームワーク内で共同で学習する。 異なるレベルの選択決定を明示的にコーディネートするために、OptIDCはさらに選択重み付き最適輸送機構を導入している。 さらに、OptIDCはモデルに依存しず、既存のCTRモデルにシームレスに統合できる。 4つの実世界のベンチマークデータセットに対する大規模な実験により、OptIDCは既存の入力側選択法よりも高いAUCを一貫して達成し、統一された入力側次元構成の有効性を検証した。

関連論文リスト

• Complement Submodular Information Measures for Balanced and Robust Data Selection [0.20305676256390934]
  補足サブモジュール情報(CSI)は補足サブモジュールの新たなクラスである。 CSIの目標は、ロバストな部分集合選択における標準部分モジュラー目標よりも一貫して優れていることを示す。 特にCSIの目的は、コヒーレントなレア/テールの意味構造の保存を著しく改善することである。
  論文  参考訳（メタデータ） (2026-05-23T23:43:24Z)
• IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
  IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。 本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
  論文  参考訳（メタデータ） (2026-03-03T14:36:46Z)
• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• i-Razor: A Differentiable Neural Input Razor for Feature Selection and Dimension Search in DNN-Based Recommender Systems [8.992480061695138]
  ノイズの特徴と不適切な埋め込み次元割り当てはレコメンダシステムの性能を低下させる可能性がある。 本稿では,特徴選択と次元探索を共同で最適化するニューラルインプット・レイザー (i-Razor) を提案する。
  論文  参考訳（メタデータ） (2022-04-01T08:30:06Z)
• AutoDis: Automatic Discretization for Embedding Numerical Features in CTR Prediction [45.69943728028556]
  高度な機能相互作用の学習は、レコメンデータシステムにおけるClick-Through Rate(CTR)予測に不可欠である。 様々な深いCTRモデルは、埋め込みとフィーチャーインタラクションのパラダイムに従います。 数値フィールドの特徴を自動的に識別し、エンドツーエンドでCTRモデルに最適化するフレームワークであるAutoDisを提案します。
  論文  参考訳（メタデータ） (2020-12-16T14:31:31Z)
• Differentiable Neural Input Search for Recommender Systems [26.88124270897381]
  Differentiable Neural Input Search (DNIS) は、より柔軟な空間における混合特徴埋め込み次元を探索する手法である。 DNISはモデルに依存しないため、既存の潜在因子モデルとシームレスに統合して推奨することができる。
  論文  参考訳（メタデータ） (2020-06-08T10:43:59Z)

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。