Jan, 2024

深度集成形状校准：在线广告中的多场后处理校准

PDF
TL;DR在电子商务广告中，准确估计点击率（CTR）和转化率（CVR）的真实概率（称为校准估计）对买家、卖家和平台的利益至关重要。本研究提出了一种名为深度集成形状校准（DESC）的新方法，通过结合基础校准函数增强函数表达能力和数据利用能力，解决了多场景校准中的数值校准和形状校准的问题。
e-commerce advertisingcalibrationctrcvrdeep ensemble shape calibration
发现论文，激发创造
  • 置信度感知的多字段模型校准

    我们提出了一种自信度感知的多字段校准方法，根据样本统计得到的自信度水平自适应调整校准强度，并利用多个特征字段进行联合模型校准，以减轻单一字段的数据稀疏效应，从而提升广告表现并降低预测误差。

    Feb, 2024

  • Field-aware Calibration：可靠概率预测的简单有效方法

    本文提出了一种新的评估指标，称为 “field-level calibration error”，用于衡量决策者关注的敏感输入领域中预测偏差，提出了一种名为神经校准的后续校准方法，使用验证集中的领域感知信息进行校准，并通过实验证明其对常见度量（如负对数似然、布里尔分数和 AUC）以及所提出的 “field-level calibration error” 指标的校准性能得到了显著提高。

    May, 2019

  • 后验概率的重要性：在线广告神经预测的双适应校准

    通过 AdaCalib 模型的双重适应方法，我们可以根据后验统计信息学习保序函数族，进行精细校准，并确保后验概率适合于校准的场值。实验证明，AdaCalib 在校准性能上获得了显著的提高，可在线部署并超越先前的方法。

    May, 2022

  • 不确定性量化和深度集成

    本文研究了在数据稀缺的情况下使用深度学习时，数据增强、集成学习和后处理校准方法之间的相互作用，并表明深度集成不一定会导致改进校准性能，必须进行微调后的后处理才能有效地降低标准深度集成中的预期校准误差。

    Jul, 2020

  • 多头多损失模型校准

    提高机器学习模型的预测准确性和可靠性，本文提出了一种简化深度集成模型的方法，通过不同的误差计算方法来训练多个线性分类器，达到与成本高昂的深度集成模型相同的校准能力和良好的分类性能，适用于组织病理图像和内镜图像的分类应用。

    Mar, 2023

  • 针对领域偏移场景的后验不确定性校准

    本文探讨了深度神经网络中不确定性校准问题，并提出了一种针对域偏移的后处理校准方法，其通过对验证集的样本进行扰动，可大幅提高模型的校准性能。

    Dec, 2020

  • 混合和组合方法：用于深度学习中不确定性校准的集成和组合方法

    本文研究了机器学习分类器的后续校准问题，提出了三种不同的校准要求，并通过 Mix-n-Match 校准策略实现了数据效率和表达能力的显着提高，并提出了一种基于核密度估计的可靠评估方法，结果表明我们的方法在大多数实验设定中表现优于现有的解决方案。

    Mar, 2020

  • 元校准：使用可微分的期望校准误差学习模型校准

    提出一种新颖的框架，其中引入了可微替代预期校准误差 (DECE)，以直接优化校准质量，并采用 DECE 进行元学习框架，实现了对模型超参数的验证集校准优化。该框架在解决模型校准方面具有开创性，并在与业界最新校准方法的对比实验中取得了竞争力的表现。

    Jun, 2021

  • 多样化合奏提高校准度

    本文探讨了在深度神经网络中使用集成学习以及数据增强等技术，以提高 CIFAR10 和 CIFAR100 基准数据集的准确率和校准度。

    Jul, 2020

  • 通过大规模因果方法和多任务学习进行降低偏差的后点击转化率估计

    本文介绍了针对电子商务推荐系统中转化率估计的两种高效的估计方法，基于多任务学习框架解决了选择偏差、数据稀疏等问题，并通过实验表明其优于现有的 CVR 模型。

    Oct, 2019