Criteo
PulseAugur coverage of Criteo — every cluster mentioning Criteo across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
谷歌 AI Overviews 争议引发私募巨头关注 Criteo
2026 年 7 月初，Criteo 成为私募股权公司的目标，据报道其中一家公司提出了 50% 的溢价收购要约。与此同时，高等研究院任命了新的首席执行官。此外，慕尼黑采取行动移除谷歌的 AI Overviews 屏蔽，这表明搜索引擎整合 AI 的方式正在发生转变。
-
新算法改进了异质性处理效应的估计
研究人员开发了一种名为 Significance-First Splitting 的新算法，旨在改进异质性处理效应的估计。该方法结合了基于显著性的拆分、诚实的样本拆分和交叉验证，以实现更好的交互敏感性和有效推断。该算法在合成数据集和真实世界提升数据集上表现强劲，在提供名义置信区间覆盖的同时，达到了基线性能。
-
NVIDIA 与 adtech 公司合作以增强人工智能能力
NVIDIA 正在与多家广告和营销技术公司合作，将其人工智能基础设施集成到他们的平台中。这些合作旨在增强创造力、实现自主运营，并在企业规模上改进决策。Alembic、AWS、Criteo 和 Taboola 等公司正在利用 NVIDIA 的技术，包括 DGX Vera Rubin 系统和 Blackwell GPU，来实现更快的模型训练、更准确的竞价以及为各种营销工作流程开发人工智能代理。
-
Anyscale 的 Ray 为大规模 AI 训练和推理提供支持
Anyscale 的 Ray Day London 活动强调了各组织如何使用 Ray 框架扩展 AI 工作负载。关键演讲包括 Xoople 使用 Ray Data 进行全球规模地理空间基础模型推理，以及 Adyen 在海量 51 万亿 token 数据集上训练交易基础模型 (TFM)。这些案例研究展示了 Ray 在处理多模态数据处理、基础模型训练和强化学习等任务方面，简化复杂 AI 基础设施的能力。
-
新框架通过校准不确定性改进广告竞价
一篇新的研究论文介绍了一个决策校准一致性框架，旨在改进流媒体广告中的竞价决策。该框架通过根据预测误差对可部署策略的影响来衡量预测误差，从而解决了未来库存、需求和用户体验方面的不确定性。与传统方法相比，所提出的方法显著减小了不确定性半径，从而制定了更自信、不那么保守的竞价策略。
-
DeRes架构通过双残差路径改进CTR预测
研究人员推出了一种新颖的Transformer基础CTR预测模型架构DeRes，它解耦了残差稳定性和自适应性。这种新设计采用了并行的恒等映射和注意力块残差路径，能够更好地保留早期信号并更有效地回忆长距离依赖关系。DeRes在大规模数据集上表现出卓越的性能，在计算成本仅略微增加的情况下超越了现有模型，并提供了显著更陡峭的计算-AUC缩放定律。
-
新框架在隐私保护下测量广告增量
研究人员开发了一个新的框架，用于在数据信号退化的情况下以隐私保护的方式测量广告增量。该方法将隐私约束测量视为一个鲁棒的因果决策问题，根据可用数据提供已认证、已拒绝或未解决的决策。在大规模数据集上的实验表明，尽管清晰的转化提升是积极的，但隐私引起的信号丢失使得在所有测试场景中都无法明确确认增量。
-
新框架助力解决未知干扰下的在线实验设计
一项新的研究论文介绍了一个在干扰机制未知的情况下选择在线实验设计的框架。该方法称为鲁棒设计选择，根据最坏情况规划风险评估了六种不同的设计，并考虑了偏差、方差、成本和估计量不匹配等因素。该论文提供了理论保证，并在公共数据集上展示了其应用，根据 Criteo 广告、Open Bandit 和 KuaiRand 的各自风险推荐了具体设计。
-
人工智能推动广告业转向基于绩效的指标
广告业正将其重点从传统的基于输入的指标转向可衡量的结果，绩效现已成为核心货币。这一转变主要由人工智能驱动，它正在加速执行、提高精度并提高对切实业务成果的期望。随着人工智能越来越多地融入营销流程，它能够实现持续迭代和实时优化，使广告系列能够动态适应绩效数据。
-
超过1000个品牌利用Criteo投放ChatGPT广告，转化率接近2倍
目前已有超过1000个品牌在使用Criteo平台通过OpenAI的ChatGPT投放广告。这些由AI驱动的广告活动在转化率方面接近传统搜索广告的两倍，尤其是在零售领域。这表明企业正在日益采用AI驱动的广告解决方案以寻求提升效果。
-
新的UMDA框架通过蒸馏不确定性建模加速实时拍卖拦截
研究人员开发了一个名为UMDA的新框架，以提高实时拍卖（RTA）拦截的准确性和效率。UMDA将多目标学习与不确定性建模相结合，在提供流量质量预测的同时，提供可靠的置信度估计。通过应用知识蒸馏，该模型可以在单次前向传播中生成偶然不确定性和认知不确定性，从而在保持预测准确性的同时显著提高推理速度。