論文の概要: Improving Ads Ranking Models with Auxiliary Supervision: Techniques and Insights

• arxiv url: http://arxiv.org/abs/2611.01280v1
• Date: Sat, 31 Oct 2026 21:27:24 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:00:13.890255
• Title: Improving Ads Ranking Models with Auxiliary Supervision: Techniques and Insights
• Title（参考訳）: Auxiliary Supervisionによる広告ランキングモデルの改善 - 技術と洞察
• Abstract要約: 本稿では,従来のコンバージョンイベントを超えて,多様なユーザイベントやメタデータ信号から補助的な監視を行うケーススタディを提案する。 本稿では, 補助信号精度向上のための線形ラベル, トレーニングタスクの分解を容易にする分割アーキテクチャ, ノイズの多い補助データを堅牢に管理するための新しいラベル結合(LaCo)アプローチなどのアーキテクチャ革新について述べる。
• 参考スコア（独自算出の注目度）: 0.08854624631197938
• License:
• Abstract: Accurate prediction of post-click Conversion Rate (CVR) is essential for personalized ad delivery in the advertising industry. Traditional ads ranking models rely on conversion events (e.g., a user purchasing an item) as ground truth labels for training. However, these conversion events are often sparse or missing, which limits the effectiveness of model learning. The primary contributions of this paper are: (1) a case study on the use of auxiliary supervision from a diverse set of user events and metadata signals beyond traditional conversion events, and (2) advanced modeling techniques designed to maximize the value of these signals. We detail architectural innovations such as linearized labels for improved auxiliary signal precision, a split architecture to facilitate training task decomposition, and a novel Label Combination (LaCo) approach for robustly managing noisy auxiliary data. Empirical results demonstrate that these methods deliver measurable improvements in ranking models, underscoring their versatility and effectiveness across recommendation systems and related domains.
• Abstract（参考訳）: クリック後変換率(CVR)の正確な予測は、広告業界におけるパーソナライズされた広告配信に不可欠である。 従来の広告ランキングモデルは、トレーニングのための真実のラベルとして変換イベント(例えば、ユーザーがアイテムを購入するなど)に依存している。 しかし、これらの変換イベントはスパースまたは欠落することが多く、モデル学習の有効性が制限される。 本研究の主な貢献は,(1)従来のコンバージョンイベント以外の多様なユーザイベントやメタデータ信号からの補助的監視の利用に関する事例研究,(2)これらの信号の価値を最大化するために設計された高度なモデリング技術である。 本稿では, 補助信号精度向上のための線形ラベル, トレーニングタスクの分解を容易にする分割アーキテクチャ, ノイズの多い補助データを堅牢に管理するための新しいラベル結合(LaCo)アプローチなどのアーキテクチャ革新について述べる。 実証的な結果は、これらの手法がランク付けモデルにおいて測定可能な改善をもたらし、リコメンデーションシステムや関連するドメイン間で、その汎用性と有効性を評価できることを示している。

関連論文リスト

• On Improving Deep Active Learning with Formal Verification [3.925313161884993]
  強靭性制約に反する逆入力でトレーニングデータを増強することで、DALの性能が向上するかを検討する。 形式的検証によって生成された敵の例は、標準的勾配に基づく攻撃によって生成されたものよりもかなり多く寄与することを示す。
  論文  参考訳（メタデータ） (2025-12-16T08:01:42Z)
• EReLiFM: Evidential Reliability-Aware Residual Flow Meta-Learning for Open-Set Domain Generalization under Noisy Labels [85.78886153628663]
  Open-Set Domain Generalizationは、ディープラーニングモデルが新しいドメインで目に見えないカテゴリを認識できるようにすることを目的としている。 ラベルノイズは、ソースドメインの知識を損なうことによって、オープンセットドメインの一般化を妨げる。 本稿では,ドメインギャップを埋めるために,Evidential Reliability-Aware Residual Flow Meta-Learning (EReLiFM)を提案する。
  論文  参考訳（メタデータ） (2025-10-14T16:23:11Z)
• Sequential Data Augmentation for Generative Recommendation [54.765568804267645]
  生成的レコメンデーションはパーソナライズされたシステムにおいて重要な役割を担い、ユーザの将来のインタラクションを過去の行動シーケンスから予測する。 データ拡張(Data augmentation)は、ユーザインタラクション履歴からトレーニングデータを構築するプロセスである。 我々は、サンプリングプロセスとして拡張をモデル化し、その結果のトレーニング分布の柔軟な制御を可能にする、原則化されたフレームワークであるGenPASを提案する。 ベンチマークと産業データセットを用いた実験により、GenPASは既存の戦略よりも精度、データ効率、パラメータ効率が優れていることが示された。
  論文  参考訳（メタデータ） (2025-09-17T02:53:25Z)
• KARE-RAG: Knowledge-Aware Refinement and Enhancement for RAG [63.82127103851471]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデルがより広範な知識ソースにアクセスすることを可能にする。 ノイズの多いコンテンツを処理するために生成モデルの能力を向上させることは、ロバストなパフォーマンスに等しく重要であることを実証する。 本稿では,3つの重要なイノベーションを通じて知識利用を改善するKARE-RAGを提案する。
  論文  参考訳（メタデータ） (2025-06-03T06:31:17Z)
• Enhancing Training Data Attribution with Representational Optimization [57.61977909113113]
  トレーニングデータ属性法は、トレーニングデータがモデルの予測にどのように影響するかを測定することを目的としている。 本稿では,タスク固有表現とモデル整合表現をTDAで明示的に学習することで,このギャップを埋める表現ベースアプローチであるAirRepを提案する。 AirRepは、属性品質に合わせて調整されたトレーニング可能なエンコーダと、グループワイドの影響を正確に見積もるアテンションベースのプール機構の2つの重要なイノベーションを紹介している。
  論文  参考訳（メタデータ） (2025-05-24T05:17:53Z)
• A Unified Knowledge-Distillation and Semi-Supervised Learning Framework to Improve Industrial Ads Delivery Systems [19.0143243243314]
  産業広告ランキングシステムは従来、ラベル付きインプレッションデータに依存しており、過度な適合、モデルのスケーリングによる漸進的な増加、トレーニングとサービスデータの相違によるバイアスといった課題につながっている。 広告ランク付けのための知識・蒸留・半教師付き学習(UK)のための統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-05T23:14:07Z)
• From Features to Transformers: Redefining Ranking for Scalable Impact [6.656478617123893]
  LiGRはLinkedInが開発した大規模ランキングフレームワークである。 本稿では,学習の正規化とユーザ履歴とランキング項目への同時注意を取り入れた改良型トランスフォーマーアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-05T18:02:01Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)

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。