基于蒸馏加速的多目标实时拍卖拦截不确定性建模
机器学习
2026-05-04 v2 计算机科学与博弈论
摘要
实时拍卖拦截（RTA Interception）旨在过滤无效或不相关的流量，以增强下游数据的完整性和可靠性。然而仍存在两个关键挑战：（i）需要准确估计流量质量并获得模型预测的足够高置信度，通常通过不确定性建模来解决；（ii）由于重复推理，此类不确定性建模在实际应用中存在效率瓶颈。为解决这些挑战，我们首先对不确定性估计背后的内在机制进行理论分析。基于此分析，我们提出一种集成多目标学习与不确定性建模的联合建模框架，命名为UMDA，能够生成流量质量预测及可靠置信度估计。我们进一步对UMDA应用知识蒸馏，使模型能够在单次前向传播中同时生成阿尔泔尔不确定性和表征性不确定性，从而大幅降低不确定性建模的计算开销，同时基本保持预测精度并保留多次前向传播不确定性估计的优势。在JD和Criteo数据集上的实验表明，UMDA通过不确定性共享为下游任务提供了更有效的样本，蒸馏模型保留了原始的不确定性共享能力，同时推理速度提升了十倍。
引用
@article{arxiv.2511.05582,
title = {Uncertainty Modeling for Multi-Objective RTA Interception with Distillation Acceleration},
author = {Gaoxiang Zhao and Ruinan Qiu and Pengpeng Zhao and Rongjin Wang and Xiaoting Wang and Zhangang Lin and Xiaoqiang Wang},
journal= {arXiv preprint arXiv:2511.05582},
year = {2026}
}