Bin的记事本
分享推荐系统、大模型理解, 投资备忘
  • 首页
  • 搜索
    • NotionNext介绍
  • 往期整理
    • 历史归档
    • 文章分类
    • 文章标签
  • 关于我
  • English
  • 投资
  • 推荐系统
  • 首页
    搜索
    NotionNext介绍
    往期整理
    历史归档
    文章分类
    文章标签
    关于我
    English
    投资
    推荐系统
    Bin的记事本
    分享推荐系统、大模型理解, 投资备忘
  • 首页
  • 搜索
    • NotionNext介绍
  • 往期整理
    • 历史归档
    • 文章分类
    • 文章标签
  • 关于我
  • English
  • 投资
  • 推荐系统
  • 首页
    搜索
    NotionNext介绍
    往期整理
    历史归档
    文章分类
    文章标签
    关于我
    English
    投资
    推荐系统
    • Catalog
    • About
    0%
    From Scaling to Structured Expressivity: Rethinking Transformers for CTR Prediction一句话总结1. 研究动机与问题1.1 现状与困境1.2 标准 Self-Attention 的缺陷1.3 朴素扩展方案的困境2. 核心贡献2.1 方法论 (Methodology)2.2 理论分析 (Theoretical Analysis)2.3 实证验证 (Empirical Validation)3. 方法:FAT 架构详解3.1 Field-Aware Tokenization3.2 Field-Decomposed Attention (FDA)(1) Field-aware Content Alignment ()(2) Field-pair Interaction Modulation ()FDA 注意力公式:FDA 三大优势:与 FFM 的联系:3.3 Field-Aware Feed Forward Network (FAF)3.4 Basis-Composed HypernetworkHypernetwork 三大优势:3.5 CTR Prediction4. 理论分析:Generalization Bound & Scaling LawTheorem 4.1 / Theorem A.1 (Generalization Bound for FAT)推论:可预测的 Scaling Law5. 实验结果5.1 实验设置5.2 主结果 (RQ1)5.3 消融实验 (RQ2)5.3.1 Field-Aware 各组件贡献5.3.2 Hypernetwork 机制分析5.4 可解释性分析 (RQ3)5.4.1 Structured Coherence5.4.2 Asymmetric Influence5.5 Scaling Behavior (RQ4)5.6 在线 A/B 测试 (RQ5)6. 方法流程图7. 消融实验汇总8. 核心创新点总结9. 个人评价与思考
    NotionNext
    NotionNext
    一个普通的干饭人🍚
    310Posts| Visitors
    Announcement
    qq 867066886
    wechat w867066886
     
    Latest posts
  • 推荐算法日报 - 2026-11-17
  • 推荐算法日报 - 2026-11-14
  • 推荐周报 2026-W46
  • 推荐算法日报 - 2026-11-13
  • 推荐算法日报 - 2026-11-11
  • 推荐算法日报 - 2026-11-10
  • Category
    More
    Tags
    More
    Catalog
    0%
    From Scaling to Structured Expressivity: Rethinking Transformers for CTR Prediction一句话总结1. 研究动机与问题1.1 现状与困境1.2 标准 Self-Attention 的缺陷1.3 朴素扩展方案的困境2. 核心贡献2.1 方法论 (Methodology)2.2 理论分析 (Theoretical Analysis)2.3 实证验证 (Empirical Validation)3. 方法:FAT 架构详解3.1 Field-Aware Tokenization3.2 Field-Decomposed Attention (FDA)(1) Field-aware Content Alignment ()(2) Field-pair Interaction Modulation ()FDA 注意力公式:FDA 三大优势:与 FFM 的联系:3.3 Field-Aware Feed Forward Network (FAF)3.4 Basis-Composed HypernetworkHypernetwork 三大优势:3.5 CTR Prediction4. 理论分析:Generalization Bound & Scaling LawTheorem 4.1 / Theorem A.1 (Generalization Bound for FAT)推论:可预测的 Scaling Law5. 实验结果5.1 实验设置5.2 主结果 (RQ1)5.3 消融实验 (RQ2)5.3.1 Field-Aware 各组件贡献5.3.2 Hypernetwork 机制分析5.4 可解释性分析 (RQ3)5.4.1 Structured Coherence5.4.2 Asymmetric Influence5.5 Scaling Behavior (RQ4)5.6 在线 A/B 测试 (RQ5)6. 方法流程图7. 消融实验汇总8. 核心创新点总结9. 个人评价与思考
    0%
    2021-2026 NotionNext.

    Bin的记事本

    Powered by NotionNext 4.10.2.