Distillation steigert Effizienz bei Unsicherheitsmodellierung RTA-Interception

In der Echtzeit-Auktion (RTA) soll Interception unerwünschten Traffic aussortieren, um die Datenintegrität zu sichern. Dabei stehen zwei zentrale Probleme im Fokus: Erstens die präzise Schätzung der Verkehrsqualität zusammen mit verlässlichen Unsicherheitsabschätzungen, und zweitens die Leistungsengpässe, die durch wiederholte Inferenz in Echtzeit entstehen.

Die neue Methode DAUM (Distillation-Accelerated Uncertainty Modeling) löst diese Herausforderungen, indem sie Multi‑Objective Learning mit Unsicherheitsmodellierung kombiniert. Das Ergebnis sind gleichzeitig Vorhersagen zur Verkehrsqualität und robuste Konfidenzwerte, die die Zuverlässigkeit der Entscheidungen erhöhen.

Um die Rechenlast weiter zu reduzieren, wird DAUM durch Knowledge Distillation optimiert. Das verdichtete Modell behält die Genauigkeit bei, während die Inferenzgeschwindigkeit um ein Vielfaches steigt. In Experimenten mit dem JD‑Werbedatensatz zeigte sich, dass DAUM die Vorhersageleistung signifikant verbessert und die distillierte Version die Laufzeit um das Zehnfache verkürzt.