論文の概要: SkinAdvisor: An AI-Driven Decision Framework for Skin Production Planning via Multi-Modal Transformer Sales Forecasting
- arxiv url: http://arxiv.org/abs/2611.15023v1
- Date: Wed, 11 Nov 2026 04:36:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.040784
- Title: SkinAdvisor: An AI-Driven Decision Framework for Skin Production Planning via Multi-Modal Transformer Sales Forecasting
- Title(参考訳): SkinAdvisor: マルチモーダルトランスフォーマー販売予測によるスキン生産計画のためのAI駆動意思決定フレームワーク
- Abstract要約: SkinAdvisorは、スキン生産計画のためのAI主導の意思決定フレームワークである。
SkinCastは、展開されたマルチモーダルトランスフォーマーで、リリースされていないスキンの1日あたり180日の販売トラジェクトリを予測している。
- 参考スコア(独自算出の注目度): 20.321566647159965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Skins, cosmetic in-game items, are a primary revenue stream for modern online games, yet production decisions (which skins to make, when to release, how to price) remain driven by intuition and retrospective analytics. We present SkinAdvisor, an AI-driven decision framework for skin production planning, powered by SkinCast, a deployed multi-modal Transformer forecasting 180-day per-day sales trajectories for unreleased skins. SkinCast couples four encoders: a pretrained Informer for player-preference time series, a pretrained Player-Hero-Skin graph embedder for relational priors, and two lightweight Transformers for skin attributes and release context, fused through a shared backbone with a local-plus-global day-x positional encoding and decoded by an N-layer Informer in a single non-autoregressive pass. SkinAdvisor plugs these forecasts into a serving pipeline (Select -> Fill -> Infer -> Sales -> ROI -> Ranking) that ranks candidate skins by forecast-based ROI and supports multi-candidate comparison. The system has been in production for a full release cycle. Offline experiments show SkinCast reduces RMSE by ~20% over the strongest baseline (Informer) and ~60% over classical methods; stress tests on a 16-core CPU server confirm p99 latency under 8ms and peak throughput above 1100 rps. We report two deployment lessons: order-of-magnitude accuracy suffices for production decisions, and pretrained embeddings can leak temporal information, requiring season-based splitting to prevent.
- Abstract(参考訳): ゲーム内の化粧品であるスキンは、現代のオンラインゲームの主要な収入源だが、生産決定(どのスキンを作るか、いつリリースするか、どのように価格を下げるか)は、直観と振り返り分析によって推進されている。
我々は、スキン生産計画のためのAI主導の意思決定フレームワークであるSkinAdvisorを紹介した。SkinCastは、デプロイされたマルチモーダルトランスフォーマーで、リリースされていないスキンの1日あたり180日の販売トラジェクトリを予測している。
SkinCastは4つのエンコーダを結合している: プレイヤー-参照時系列のための事前訓練されたインフォーマー、リレーショナル前処理のための事前訓練されたプレイヤー-ヘロ-スキングラフ埋め込み器、皮膚属性とリリースコンテキストのための2つの軽量トランスフォーマー。
SkinAdvisorはこれらの予測をサービスパイプライン(Select -> Fill -> Infer -> Sales -> ROI -> Ranking)にプラグインする。
システムはフルリリースサイクルで運用されている。
オフライン実験では、SkinCastはRMSEを最強のベースライン(Informer)で約20%、古典的なメソッドで約60%削減している。
本報告では,2つのデプロイメントの教訓について報告する。生産決定に適したオーダー・オブ・マグニチュードの精度と,事前学習した埋め込みによって時間情報が漏洩し,季節による分割を防止できる。
関連論文リスト
- IsoVRBench: Video Reward Modeling Without Human Feedback [80.72291973618601]
我々は、残余を固定しながら生成したビデオの1つの特性を変化させる制御介入により、好みのペアを構築する。
現状のモデルでは、ジェネレータ間での幅広い品質差を区別するが、時間的順序などの重要な特徴を欠いていることを示す。
論文 参考訳(メタデータ) (2026-10-12T18:03:36Z) - Building Pretraining Data for World Models: An Unreal Engine-Based Pipeline for Action-Conditioned Video Generation [53.851483224691634]
動作条件付きマルチビュービデオを生成するためにUnreal Engine上に構築した大規模合成データ生成パイプラインを提案する。
パイプラインは1080pビデオの2,691時間、720pビデオの6,076時間を生成する。
論文 参考訳(メタデータ) (2026-09-03T08:58:04Z) - Prediction-Assisted Pricing and Admission for LLM APIs with Stochastic Token Consumption [0.0]
LLMアプリケーションは、複数のサービス製品を販売したり、内部的に割り当てたりすることが多い。
価格が購入確率を変更し、トークンキャップがユーザ値とリソース消費のテールの両方を変更する。
オンラインの信頼区間とオフラインの予測区間を交差する予測クラッピング UCB を提案する。
論文 参考訳(メタデータ) (2026-09-01T04:40:34Z) - Moirai 2.0: When Less Is More for Time Series Forecasting [91.36760228926214]
Moirai 2.0は、36Mシリーズの新しいコーパスで訓練されたデコーダのみの基礎モデルである。
これは、精度、速度、モデルサイズの間の強いトレードオフを達成しつつ、事前訓練された上位モデルの1つにランク付けします。
効率性とモデルサイズに関しては、Moirai 2.0は前バージョンであるMoirai 1.0-Largeの2倍の速度と30倍の小型である。
論文 参考訳(メタデータ) (2025-11-12T12:15:35Z) - Sundial: A Family of Highly Capable Time Series Foundation Models [47.27032162475962]
Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。
我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。
Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
論文 参考訳(メタデータ) (2025-02-02T14:52:50Z) - Predicting Quality of Video Gaming Experience Using Global-Scale Telemetry Data and Federated Learning [2.3277056140190218]
フレーム・パー・秒(FPS)はゲーム体験に大きな影響を与える。
グローバルスケールのデータセット上でゲームFPSに影響を与える可能性のある要因について検討する。
ユーザプライバシを確保するためのフェデレーション学習モデルを提案する。
論文 参考訳(メタデータ) (2024-12-12T05:28:34Z) - Sequential choice in ordered bundles [1.9561775591923982]
我々は,先行する項目の消費パターンに基づいて,次の項目を順序付きバンドルで消費するという個人の判断を予測できるかどうかを検討する。
Spotifyのデータから、デコーダのみのアーキテクチャを持つカスタムトランスフォーマーが、最も正確な予測を提供します。
以上の結果から,トランスフォーマーは,注文されたバンドルから個人が消費するであろう次のアイテムのキュー作成を支援し,個々のアイテムの需要を予測し,需要を増大させるためにプロモーションをパーソナライズすることができることを示す。
論文 参考訳(メタデータ) (2024-10-29T02:35:21Z) - Decoder Tuning: Efficient Language Understanding as Decoding [84.68266271483022]
本稿では,タスク固有のデコーダネットワークを出力側で最適化するデコーダチューニング(DecT)を提案する。
勾配ベースの最適化により、DecTは数秒以内にトレーニングでき、サンプル毎に1つのPクエリしか必要としない。
我々は、広範囲にわたる自然言語理解実験を行い、DecTが200ドル以上のスピードアップで最先端のアルゴリズムを大幅に上回っていることを示す。
論文 参考訳(メタデータ) (2022-12-16T11:15:39Z)
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。