Towards a Unified Framework of Optimal Input-Side Dimensional Configuration for Deep CTR Prediction
面向深度 CTR 预测的最优输入侧维度配置统一框架
🧭 输入侧选择 · 最优传输协调 ★ 深度解读
深圳大学 · McGill University · Shenzhen Technology University
用最优传输协调样本、特征、嵌入单元三层选择，联合配置输入侧信息提升 CTR 模型 AUC
📌 工作参考价值（4 点）
- 在精排 CTR 模型上，不要只做单层优化：样本去噪、特征 gate、embedding 维度裁剪可共享一个信息路径联合搜索；采样保留比例约束 + 细粒度稀疏正则能防止搜索坍缩。
- 借鉴 search-and-retrain：搜索阶段用连续 gate/soft mask 学习配置，结束后硬化为 lookup table 再重训 backbone；线上推理只增加 mask 查表，无额外打分开销。
- 跨粒度选择冲突可用 selection-weighted Optimal Transport 协调：粗粒度选择作为总质量，细粒度归一化分配，用 cosine 表示不相似度作为运输成本；比直接对 mask 做 cosine/KL 有稳定提升。
- 样本 selector 只用于构造 retrain 集，不参与 serving，业务上可安全地用样本级去噪提升训练质量而不担心线上延迟。