TF4CTR：適応的サンプル差分化を活用したCTR予測のためのツインフォーカスフレームワーク

クリック率（CTR）予測の精度を向上させるためには、有効な特徴量間相互作用のモデリングが不可欠である。現在の主流である深層CTRモデルは、複雑なネットワーク構造を構築することで、複雑な特徴量間相互作用やユーザー行動をより良く捉えようとしている。しかし、本研究ではこれらのモデルに二つの限界を指摘する。第一に、モデルに供給されるサンプルが一様に扱われており、モデルが単調に容易なサンプルを多く学習しつつ、少数の困難なサンプルを無視する傾向があるため、モデルの汎化能力が低下する可能性がある。第二に、異なる相互作用情報を捉えるために特化した特徴量間相互作用エンコーダが設計されているものの、それらは同一の監視信号を受け取るため、エンコーダの効果が制限されている。これらの課題を解決するため、本稿では「プラグアンドプレイ型 Twin Focus（TF）損失」、サンプル選択埋め込みモジュール（SSEM）、動的融合モジュール（DFM）を統合した新しいCTR予測フレームワーク、すなわち「Twin Focus Framework for CTR（TF4CTR）」を提案する。具体的には、モデルの下部にSSEMを導入し、サンプル間の差異を明確にすることで、各サンプルに適したエンコーダを割り当てる。同時に、TF損失は容易なエンコーダと複雑なエンコーダの両方にカスタマイズされた監視信号を提供する。さらに、DFMはエンコーダが捉えた特徴量間相互作用情報を動的に融合し、より正確な予測を実現する。5つの実世界データセットを用いた実験により、本フレームワークの有効性と汎用性が確認され、モデル非依存（model-agnostic）なアプローチにより、さまざまな代表的なベースラインモデルの性能向上が示された。研究の再現性を支援するため、本研究のオープンソースコードおよび詳細な実行ログは、以下のURLにて公開される予定である：https://github.com/salmon1802/TF4CTR。