論文の概要: CASH: A Capability-Aware Subsidy Harness for Advertiser Subsidy Allocation

• arxiv url: http://arxiv.org/abs/2610.39244v1
• Date: Thu, 29 Oct 2026 02:59:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 00:28:26.508476
• Title: CASH: A Capability-Aware Subsidy Harness for Advertiser Subsidy Allocation
• Title（参考訳）: CASH: アドバタイザー・サブシディ・アロケーションのための能力認識型サブシディ・ハーネス
• Abstract要約: ASAのための能力認識サブシディ・ハーネスであるCASHを提案する。 CASHは知識誘導型大規模言語モデルとデータ駆動型数値応答モデルとを組み合わせている。 口座や補助金のレベルを越えて、各人が局所的に信頼されている、現実的な結果から学習する。
• 参考スコア（独自算出の注目度）: 18.079845465385834
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advertising platforms subsidize advertisers through billing discounts, and Advertiser Subsidy Allocation (ASA) chooses a subsidy level for every account to maximize total discounted revenue under a platform-wide subsidy-rate constraint. In practice, operators configure these subsidies from business rules, advertiser tiers and operating goals. Such configuration draws on rich business experience, yet as the advertiser base grows, tier-level policies can neither resolve how individual accounts respond across subsidy levels nor allocate a shared budget at the granularity of single accounts. We propose CASH, a Capability-Aware Subsidy Harness for ASA. CASH pairs a knowledge-guided large language model (LLM) with a data-driven numerical response model, learns from realized outcomes where each is locally reliable across accounts and subsidy levels, and turns this reliability into explicit capability licenses that govern source selection, agent review and budget allocation. Its Expected Policy Coverage Gain (EPCG) directs a limited feedback budget toward evidence expected to expand high-value reliable coverage, and the resulting feedback further improves the numerical model and updates capability estimates. In a one-month online experiment with CASH serving 60% of a large-scale advertising platform's traffic, CASH raises revenue per account by 15.35% and ADVV by 19.86% over Control at an essentially unchanged subsidy rate, with further gains in revenue quality, LTV and retention.
• Abstract（参考訳）: 広告プラットフォームは課金割引を通じて広告主を補助し、Advertiser Subsidy Allocation (ASA) はプラットフォーム全体の補助レート制約の下で全アカウントの割引収入を最大化する補助レベルを選択する。 実際には、事業者はこれらの補助金をビジネスルール、広告主層、運用目標から構成している。 このような構成は、リッチなビジネス経験を引き出すが、広告主の基盤が拡大するにつれて、層レベルのポリシーは、個々のアカウントが補助レベルでどのように反応するかを解決したり、単一のアカウントの粒度で共有予算を割り当てたりすることはできない。 ASAのための能力認識サブシディ・ハーネスであるCASHを提案する。 CASHは、知識誘導型大規模言語モデル(LLM)とデータ駆動型数値応答モデルとを組み合わせ、各言語がアカウントや補助レベルにわたって局所的に信頼性のある実効結果から学習し、この信頼性をソース選択、エージェントレビュー、予算配分を管理する明示的な機能ライセンスに変換する。 The expecteded Policy Coverage Gain (EPCG)は、限られたフィードバック予算を高価値な信頼性カバレッジを拡大する証拠に向け、その結果のフィードバックは数値モデルをさらに改善し、能力推定を更新する。 大規模な広告プラットフォームのトラフィックの60%をカバーしているCASHによる1ヶ月のオンライン実験において、CASHは会計ごとの収入を15.35%、ADVVを19.86%増加させ、事実上一定の補助金率でコントロールし、さらに収益品質、LTV、保持率を高めた。

関連論文リスト

• Adaptive Ad Load Design for Sponsored Search Markets: Evidence, Theory, and Deployment [0.0]
  広告のロードデザインは、スポンサード検索における中心的なサプライサイドの判断である。 このトレードオフを,Android App Storeの大規模ランダム化フィールド実験を用いて検討した。 我々は、新しい適応アルゴリズムをデプロイする -- 探索強化ローカル適応広告ロード(e-LAAL)
  論文  参考訳（メタデータ） (2026-07-15T23:12:26Z)
• TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning [52.67756371231985]
  検証可能な報酬を伴う強化学習(RLVR)は、大規模言語モデルにおける推論とエージェント的行動を強化するための有望なアプローチである。 本稿では,Tree Rollout Allocation for Contrastive Exploration (TRACE)について紹介する。 技術的には、TRACEはロールアウト予算をルートと中間プレフィックスの両方に割り当てている。
  論文  参考訳（メタデータ） (2026-06-09T17:16:03Z)
• External Evaluation of Discrimination Mitigation Efforts in Meta's Ad Delivery [47.418845064441605]
  本稿では,Metaによって実装された可変還元システム(VRS)が,個人にとっての機会へのアクセスを有意義に改善していないことを示す。 そして、現実世界の広告でVRSを評価する実験を行い、VRSがばらつきを減らす一方で、広告主のコストも上昇させることを示した。 当社のアプローチは,すべてのグループからのユーザに対する広告露出の増加と,広告主に対するコスト削減によって,VRSよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-19T19:29:26Z)
• Truthful Aggregation of LLMs with an Application to Online Advertising [11.552000005640203]
  広告主にとって真の報告が支配的な戦略であることを確実にするオークション機構であるMOSAICを導入する。 我々はMOSAICが計算オーバーヘッドの少ない広告価値とプラットフォーム収益をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-05-09T17:01:31Z)
• HiBid: A Cross-Channel Constrained Bidding System with Budget Allocation by Hierarchical Offline Deep Reinforcement Learning [31.88174870851001]
  階層型オフライン深層強化学習(DRL)フレームワーク「HiBid」を提案する。 HiBidは、非競争的な予算配分のための補助的損失を備えた高レベルプランナーで構成されている。 チャネル間CPC制約を満たすためにCPC誘導動作選択機構を導入する。
  論文  参考訳（メタデータ） (2023-12-29T07:52:46Z)
• VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
  本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。 具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。 当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
  論文  参考訳（メタデータ） (2022-05-31T17:45:30Z)
• A Cooperative-Competitive Multi-Agent Framework for Auto-bidding in Online Advertising [53.636153252400945]
  本稿では,自動入札のための総合的マルチエージェント強化学習フレームワーク,すなわちMAABを提案し,自動入札戦略を学習する。 当社のアプローチは、社会的福祉の観点から、いくつかの基準的手法を上回り、広告プラットフォームの収益を保証します。
  論文  参考訳（メタデータ） (2021-06-11T08:07:14Z)
• Enhancing User' s Income Estimation with Super-App Alternative Data [59.60094442546867]
  これは、これらの代替データソースのパフォーマンスと、業界に受け入れられた局の収入推定器のパフォーマンスを比較します。 本論文は、金融機関がリスクプロファイルの構築に代替データを導入しようとする動機を示すものである。
  論文  参考訳（メタデータ） (2021-04-12T21:34:44Z)

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。