論文の概要: Numerical Embeddings for CTR Prediction: A Taxonomy, Unified Benchmark, and Open-Source FuxiCTR Extension

• arxiv url: http://arxiv.org/abs/2611.01090v1
• Date: Sat, 31 Oct 2026 16:24:56 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:03:19.686129
• Title: Numerical Embeddings for CTR Prediction: A Taxonomy, Unified Benchmark, and Open-Source FuxiCTR Extension
• Title（参考訳）: CTR予測のための数値埋め込み:分類学、統一ベンチマーク、オープンソースFuxiCTR拡張
• Abstract要約: NumEmbBenchはCTR予測のための数値埋め込みを比較するための最初のベンチマークである。 我々は18の構成を6つのメカニズムベースのファミリーに分類し、それらを1つのFuxiCTRインターフェースで評価する。 一致したネイティブスケールのテストでは、27設定中11で勝者が変わり、ペアのレイテンシ測定では、正確さと推論コストが一緒に動く必要はないことが示されている。
• 参考スコア（独自算出の注目度）: 12.83464082676759
• License:
• Abstract: Numerical embeddings map scalar features into vectors before a click-through rate (CTR) backbone combines the fields. To our knowledge, NumEmbBench is the first open benchmark dedicated to comparing numerical embeddings for CTR prediction. We classify 18 configurations into six mechanism-based families and evaluate them through one FuxiCTR interface. After equal-budget validation tuning, we compare frozen configurations on three datasets, nine backbones, and five seeds under a shared train-only z-score protocol. DEER has the best mean rank, but six methods lead at least one dataset--backbone setting. A matched native-scale test changes the winner in 11 of 27 settings, while paired latency measurements show that accuracy and inference cost need not move together. Code and per-seed results: https://github.com/YH-learning/NumEmbBench
• Abstract（参考訳）: 数値埋め込みは、クリックスルーレート(CTR)バックボーンがフィールドを結合する前に、スカラー特徴をベクトルにマップする。 我々の知る限り、NumEmbBenchはCTR予測のための数値埋め込みを比較するための最初のオープンベンチマークである。 我々は18の構成を6つのメカニズムベースのファミリーに分類し、それらを1つのFuxiCTRインターフェースで評価する。 等予算検証チューニングの後、3つのデータセット、9つのバックボーン、5つのシードの凍結構成を、共有列車のみのzスコアプロトコルで比較する。 DEERは最高の平均ランクを持っているが、6つのメソッドが少なくとも1つのデータセット、バックボーン設定を導く。 一致したネイティブスケールのテストでは、27設定中11で勝者が変わり、ペアのレイテンシ測定では、正確さと推論コストが一緒に動く必要はないことが示されている。 Code and per-seed results: https://github.com/YH-learning/NumEmbBench

関連論文リスト

• Branch-Centric Tokenization and Test-Time Augmentation for Skeleton Generation [4.947134980425439]
  シーケンス内の接続を直接エンコードするブランチ対応表現であるブランチ中心のトークン化を導入する。 また、入力メッシュに軸方向の回転を適用するテスト時間拡張手法であるビュー拡張生成を導入する。 実験により,本手法は最先端手法よりも骨格予測精度がよいことが示された。
  論文  参考訳（メタデータ） (2026-09-05T18:28:35Z)
• Ranked by the Matcher: A Reproducibility Audit of Knowledge Graph Extraction from Threat Reports [5.580052437190499]
  12の検査システムのうち5つのみが記述されたマッチングルールを再実装する。 8つのプロトコルで共有ドキュメントに出力される10のシステムは、45対の注文のうち11を逆転させる。 外部、人間による調整セットでは、機械的なマーカは、-レキシカル、埋め込み、エンテーメント--10で7回以上、レビュアーとアグリーする。
  論文  参考訳（メタデータ） (2026-09-01T04:45:44Z)
• PRIME: Mitigating Subgroup Optimization Competition in Shared CTR Top Networks with Plug-in Residual Input-Conditioned Mixture of Expert [16.073701450851008]
  4つのモデルと4つのセマンティックフィールドを持つアバズ上での競合について検討する。 我々は,低ランクの残留専門家を混在させたPRIME(Plug-in Residual Input- Conditioned Mixture of Experts)を紹介する。
  論文  参考訳（メタデータ） (2026-08-31T08:37:44Z)
• A Replicability Study of XTR [49.02573032242219]
  元々の研究では、効率的なXTR検索に必要な修正されたトレーニング目標が提案されている。 我々は,XTR検索アルゴリズムとその改良された学習目標を再現し,その評価を知識蒸留訓練と効率的な検索エンジンに拡張する。
  論文  参考訳（メタデータ） (2026-05-01T13:28:09Z)
• Mixing Configurations for Downstream Prediction [20.099477835723704]
  人間は、クラスタリングアルゴリズムがエミュレートしようとする認知メカニズムである類似性によってオブジェクトをグループ化する能力を持っている。 コミュニティ検出の最近の進歩により、ラベル付きデータを必要としない構成の発見が可能になった。 GraMixCは、構成を抽出し、リバースマージ/スプリット(Reverse Merge/Split, RMS)技術を使って調整し、アテンションヘッドを介してそれらを融合して、下流の予測器に転送するプラグイン・アンド・プレイモジュールである。
  論文  参考訳（メタデータ） (2025-10-22T05:09:53Z)
• Rank-DETR for High Quality Object Detection [52.82810762221516]
  高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。 本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
  論文  参考訳（メタデータ） (2023-10-13T04:48:32Z)
• M-Tuning: Prompt Tuning with Mitigated Label Bias in Open-Set Scenarios [58.617025733655005]
  緩和ラベルバイアス(M-Tuning)を用いた視覚言語プロンプトチューニング手法を提案する。 これはWordNetからのオープンワードを導入し、クローズドセットラベルワードのみからもっと多くのプロンプトテキストを形成する単語の範囲を広げ、シミュレートされたオープンセットシナリオでプロンプトをチューニングする。 提案手法は,様々なスケールのデータセット上で最高の性能を達成し,広範囲にわたるアブレーション研究もその有効性を検証した。
  論文  参考訳（メタデータ） (2023-03-09T09:05:47Z)
• REGTR: End-to-end Point Cloud Correspondences with Transformers [79.52112840465558]
  我々は、注意機構が明示的な特徴マッチングとRANSACの役割を置き換えることができると推測する。 本稿では,最終文集合を直接予測するエンドツーエンドフレームワークを提案する。 提案手法は3DMatchおよびModelNetベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-28T06:01:00Z)

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。