論文の概要: Exploratory creative pre-ranking: Hierarchical empirical-Bayes Thompson sampling for real-time creative optimization
- arxiv url: http://arxiv.org/abs/2610.36020v1
- Date: Mon, 26 Oct 2026 17:40:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-29 04:15:49.188507
- Title: Exploratory creative pre-ranking: Hierarchical empirical-Bayes Thompson sampling for real-time creative optimization
- Title（参考訳）: 探索的創造事前評価:リアルタイム創造最適化のための階層的経験的ベイズ・トンプソンサンプリング
- Abstract要約: ダイナミックな創造的最適化は、リクエスト毎にレンダリングする広告の創造性を決定する。
ユーザ毎のランク付けが実行される前に、各キャンペーンのプールにリコールされたすべてのクリエイティビティとショートリストをスコアする、クリエイティブなプリランク付けを導入します。
- 参考スコア（独自算出の注目度）: 6.133272873766938
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic creative optimization decides which creative of an ad to render for each request. Recent work places that choice before ad ranking, but relies on deterministic point predictors with no calibrated uncertainty. AI-generated content has made creatives nearly free, while feedback per creative remains sparse and selection faces a tight latency budget. We introduce a creative pre-ranker that scores every recalled creative and shortlists each campaign's pool before the per-user ranker runs. Creatives sit in a hierarchy of audience segment, advertised item, campaign and creative, so a cold creative falls back on what its parent levels have earned, and how much it borrows from its parents is set in closed form from historical logs, with one parameter per level and nothing tuned. To stay within the latency budget, the pre-ranker predicts for an audience segment rather than an individual user, from per-attribute counters. It selects by a single Thompson draw per creative, balancing exploration and exploitation so that a new creative still has a chance to be learned. Replaying Roblox Sponsored-ads traffic over campaigns with competing creatives, the shortlist lifts predicted play-through rate by 8.14% against 2.80% for an equally sized random shortlist, forwards more than 40% fewer creatives than the full pool, and adds only 0.2% to serving time. After an A/B test on live traffic, the method now serves in production at Roblox.
- Abstract（参考訳）: ダイナミックな創造的最適化は、リクエスト毎にレンダリングする広告の創造性を決定する。
最近の作業では、広告のランク付けの前に選択されるが、決定論的ポイント予測器に依存しており、キャリブレーションされた不確実性はない。
AI生成コンテンツはクリエイティブをほぼ無料にしているが、クリエイティブごとのフィードバックは依然として不十分であり、選択は厳しい遅延予算に直面している。
ユーザ毎のランキングが実行される前に、各キャンペーンのプールにリコールされたすべてのクリエイティビティとショートリストをスコアするクリエイティビティプリランカを導入します。
クリエイティブは、オーディエンスセグメント、宣伝されたアイテム、キャンペーン、クリエイティビティの階層に置かれているため、コールドクリエイティビティは、親レベルが何を稼いだか、そしてその親から借りた金額は、歴史的ログからクローズドな形で設定されている。
レイテンシの予算内に留まるために、プレランカは、個々のユーザではなく、アトリビュート毎のカウンタから、オーディエンスセグメントを予測する。
創造的かつバランスの取れた探究と搾取によって、トンプソンが1つ選択することで、新しい創造性にはまだ学ぶ機会がある。
Roblox Sponsored-adsのトラフィックを競合するクリエーターとのキャンペーンで再現し、同じ大きさのランダムショートリストの場合、プレイスルーレートが8.14%、対して2.80%と予測され、フルプールよりも40%未満のクリエーターを転送する。
ライブトラフィックでのA/Bテストの後、このメソッドはRobloxで運用が開始された。
関連論文リスト
- CreativeInstruct: Scalably Teaching LLMs to Balance Quality, Creativity, and Diversity [67.74087963315213]
CreativeInstructは、大規模言語モデルに、創造的なベースモデルのような世代と、ポストトレーニング後のモデルの質のバランスをとるように教えるインストラクションチューニング手法である。
我々は,CreativeInstructが多モデルベースラインの多様性と,その出力の蒸留変種の両方に適合しているか,あるいは超越しているかを示す。
GRPOをCreative Instructチェックポイントに適用すると、AMCでは4%、MATHでは5%改善する。
論文 参考訳（メタデータ） (2026-08-07T17:55:48Z) - CreativeBench: Benchmarking and Enhancing Machine Creativity via Self-Evolving Challenges [69.3795501613098]
コード生成における機械の創造性を評価するベンチマークであるCreativeBenchを紹介します。
CreativeBenchは、創造性と幻覚を、品質とノベルティの産物として定義された統一された計量によって客観的に区別する。
進化的探索パターンを内部化し,機械の創造性を継続的に向上する,プラグアンドプレイ型推論時ステアリング戦略であるEvoRePEを提案する。
論文 参考訳（メタデータ） (2026-03-12T12:36:56Z) - NextAds: Towards Next-generation Personalized Video Advertising [46.666292153282875]
NextAdsは次世代のパーソナライズされたビデオ広告のためのパラダイムだ。
私たちは、パーソナライズされたクリエイティブ生成とパーソナライズされたクリエイティブ統合という2つの代表的なタスクを定式化します。
我々は初期の探索実験を行い、GenAIがパーソナライズされたクリエイティブを創造し、統合し、パフォーマンスを奨励できることを実証した。
論文 参考訳（メタデータ） (2026-03-02T17:58:07Z) - CreativityPrism: A Holistic Benchmark for Large Language Model Creativity [64.18257552903151]
創造性はしばしば人間の知能の目印と見なされる。
さまざまなシナリオにまたがってクリエイティビティを評価するための総合的なフレームワークはまだ存在しません。
本稿では,創造性を質,新規性,多様性の3次元に分解する評価分析フレームワークであるCreativePrismを提案する。
論文 参考訳（メタデータ） (2025-10-23T00:22:10Z) - Creative4U: MLLMs-based Advertising Creative Image Selector with Comparative Reasoning [17.0088513334658]
本稿では,創造的評価と選択のための第1のパラダイムを提案する。
マルチモーダル大規模言語モデル(MLLM)を用いて,創造的画像の評価と選択を自然言語タスクに統合する。
私たちのコードとデータセットは、研究と産業の応用を進めるために公開されます。
論文 参考訳（メタデータ） (2025-08-18T05:11:30Z) - ACQ: A Unified Framework for Automated Programmatic Creativity in Online Advertising [30.584160762498655]
本稿では,広告クリエイティビティの自動作成と非活性化を実現するための2段階のフレームワークであるAutomated Creatives Quota (ACQ)を提案する。
ACQは複数の広告主にクリエイティビティ・クォータを動的に割り当て、広告プラットフォームの収益を最大化する。
論文 参考訳（メタデータ） (2024-12-09T03:00:57Z) - A New Creative Generation Pipeline for Click-Through Rate with Stable
Diffusion Model [8.945197427679924]
従来のAIベースのアプローチは、デザイナーからの美的知識を限定しながら、ユーザー情報を考慮しないという同じ問題に直面している。
結果を最適化するために、従来の方法で生成されたクリエイティブは、クリエイティブランキングモデルと呼ばれる別のモジュールによってランク付けされる。
本稿では,クリエイティビティ生成段階においてCTRを改善することを目的とした,Click-Through Rate (CG4CTR) のための新しいCreative Generationパイプラインを提案する。
論文 参考訳（メタデータ） (2024-01-17T03:27:39Z) - Parallel Ranking of Ads and Creatives in Real-Time Advertising Systems [20.78133992969317]
広告とクリエイティビティランキングのオンライン並列推定のための新しいアーキテクチャを初めて提案する。
オンラインアーキテクチャは、全体的なレイテンシを低減しつつ、洗練されたパーソナライズされたクリエイティブモデリングを可能にする。
CTR推定のためのオフラインジョイントモデルは、広告とクリエイティブの相互認識と協調最適化を可能にする。
論文 参考訳（メタデータ） (2023-12-20T04:05:21Z) - Long-Term Ad Memorability: Understanding & Generating Memorable Ads [54.23854539909078]
マーケティングやブランドビルディングにおける長期記憶の重要性にもかかわらず、これまで広告の記憶可能性に関する大規模な研究は行われていない。
276のブランドをカバーする1749の参加者と2205の広告からなる,最初の記憶可能性データセットであるLAMBDAをリリースする。
異なる参加者のサブポピュレーションや広告タイプに対する統計的テストを実行すると、広告を記憶可能なものにするための興味深い洞察がたくさん見つかる。
本稿では,自動アノテートデータを活用することで,高品質な記憶可能な広告生成モデルを構築するためのスケーラブルな手法を提案する。
論文 参考訳（メタデータ） (2023-09-01T10:27:04Z)
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。