ترجمه فارسی مقاله Beyond Kan: معرفی کارسین برای مدل سازی تعامل با ویژگی های مرتفع سازگار در پیش بینی CTR

چکیده

Modeling feature interactions is crucial for click-through rate (CTR) prediction, particularly when it comes to high-order explicit interactions. Traditional methods struggle with this task because they often predefine a maximum interaction order, which relies heavily on prior knowledge and can limit the model’s effectiveness. Additionally, modeling high-order interactions typically leads to increased computational costs. Therefore, the challenge lies in adaptively modeling high-order feature interactions while maintaining efficiency. To address this issue, we introduce Kolmogorov-Arnold Represented Sparse Efficient Interaction Network (KarSein), designed to optimize both predictive accuracy and computational efficiency. We firstly identify limitations of directly applying Kolmogorov-Arnold Networks (KAN) to CTR and then introduce KarSein to overcome these issues. It features a novel architecture that reduces the computational costs of KAN and supports embedding vectors as feature inputs. Additionally, KarSein employs guided symbolic regression to address the challenge of KAN in spontaneously learning multiplicative relationships. Extensive experiments demonstrate KarSein’s superior performance, achieving significant predictive accuracy with minimal computational overhead. Furthermore, KarSein maintains strong global explainability while enabling the removal of redundant features, resulting in a sparse network structure. These advantages also position KarSein as a promising method for efficient inference.

چکیده به فارسی (ترجمه ماشینی)

تعامل ویژگی های مدل سازی برای پیش بینی نرخ کلیک (CTR) بسیار مهم است ، به ویژه هنگامی که در مورد تعامل صریح مرتبه بالا صحبت می شود.روشهای سنتی با این کار مبارزه می کنند زیرا آنها اغلب از پیش تعیین کننده حداکثر تعامل استفاده می کنند ، که به دانش قبلی متکی است و می تواند اثربخشی مدل را محدود کند.علاوه بر این ، مدل سازی تعامل با مرتبه بالا به طور معمول منجر به افزایش هزینه های محاسباتی می شود.بنابراین ، این چالش در مدل سازی تطبیقی ​​تعامل با ویژگی های مرتبه بالا ضمن حفظ کارآیی است.برای پرداختن به این مسئله ، ما Kolmogorov-Arnold را نشان می دهیم که شبکه تعامل کارآمد پراکنده (Karsein) را نشان می دهد ، که برای بهینه سازی هم دقت پیش بینی کننده و هم کارایی محاسباتی طراحی شده است.ما در مرحله اول محدودیت های استفاده مستقیم از شبکه های Kolmogorov-Arnold (KAN) را برای CTR مشخص می کنیم و سپس کارسین را برای غلبه بر این مسائل معرفی می کنیم.این معماری جدید است که هزینه های محاسباتی KAN را کاهش می دهد و از بردارهای جاسازی شده به عنوان ورودی های ویژگی پشتیبانی می کند.علاوه بر این ، کارسین از رگرسیون نمادین هدایت شده برای پرداختن به چالش KAN در یادگیری خود به خود روابط چند برابر استفاده می کند.آزمایش های گسترده عملکرد برتر کارسین را نشان می دهد و به دقت پیش بینی قابل توجهی با حداقل سربار محاسباتی دست می یابد.علاوه بر این ، کارسین در حالی که امکان حذف ویژگی های زائد را فراهم می کند ، توضیحات جهانی قوی را حفظ می کند ، و در نتیجه یک ساختار شبکه پراکنده ایجاد می شود.این مزایا همچنین کارسین را به عنوان روشی امیدوارکننده برای استنباط کارآمد قرار می دهد.