用于冷启动 CVR 预测的显式多层级表示自动融合网络

基于摘要分析。本文研究在线广告冷启动场景下的转化率（CVR）预测，提出 Automatic Fusion Network（AutoFuse）：按特征粒度显式分组，分别学习广告个体层级与群体层级表示，再自适应融合，以减轻稀疏细粒度特征嵌入不充分对预测的影响。 核心机制是区分不同特征所承受的冷启动风险。高基数特征中的长尾元素样本不足，可能无法形成有意义的嵌入；直接让其参与特征交互可能损害新广告预测。AutoFuse 的广告层级表示刻画个体特征，群体层级表示则通过舍弃细粒度特征提取共享信息，最终融合两者。摘要未披露粒度划分规则、融合函数、训练损失及推理开销。 作者报告，在两个工业规模数据集和三个公开数据集上，AutoFuse 相较多种竞争方法及其现有线上模型取得持续改善，新广告上的提升支持其冷启动应用价值；摘要未提供数据集名称、离线指标、划分方式或具体分数。作者另报告，线上部署面向数十亿用户与广告，GMV 提升 2.84%；该数值是业务结果，不能等同于 CVR 预测准确率的提升，线上对照协议、实验周期及统计信息尚未验证。 平台推测（待验证）：可迁移的机制假设是，在具有明确层级结构的 EEG 特征中，将依赖少量个体数据的表示与跨被试共享表示分开学习，再按数据充分程度融合，可能缓解新被试小样本适配的不稳定性。可复用的是多层级表示与自适应融合思路；需改造的是特征粒度定义及 EEG 编码模块，不能直接把被试身份等同于广告细粒度特征。低信噪比、通道差异或群体与个体分布不一致，均可能使融合失效。一个可证伪的小实验是在固定 Cross-subject 划分和新被试标注预算下，对比个体表示、共享表示及两者融合，并核对融合收益是否随标注量变化。已有 EEG 相关工作尚未检索确认，原文的跨领域通用性主张不构成 BCI 有效性证据。