Apple、検索・推薦モデルの推論安定化フレームワーク「Fortress」を公開──特徴量剪定で精度と安定性を両立
時系列データを用いた特徴量剪定により、エンゲージメント指標由来の予測変動を抑制し、大規模アプリストアの検索関連性モデルで精度と安定性を同時に改善した。
リリース: 2022-01-28 · 読了 5 分記事の要約
1. 核心（What）
- Apple が検索・推薦システムの推論安定化フレームワーク「Fortress」を発表
- 時系列で予測スコアが変動する不安定な特徴量を特定・剪定する4ステップの手法を導入
- 大規模アプリストアのクエリ-アプリ関連性モデルで、PR-AUC と変動係数（Coefficient of Variation）の改善を確認
2. 影響（Why）
- 予測の揺らぎを抑制する実用解: LLM や BERT 由来の汎用特徴量と、予測力は高いが不安定なエンゲージメント特徴量のトレードオフを解消し、マルチステージ推薦システムでの一貫性を確保する。
- 国内大規模プラットフォームへの示唆: EC やメディア系など、ユーザー行動ログを特徴量に多用する国内の数千万規模ユーザーを抱えるサービスにおいて、モデルの再学習コストを抑えつつ推論の信頼性を担保する設計指針となる。
3. 根拠・詳細（How）
- 特徴量剪定の4ステップ機構: 履歴スナップショットの収集、不安定なサンプルの特定、原因となる特徴量の分離・除去、安定した特徴量のみを用いたモデル再学習というフローで構成される。
- 評価指標の最適化: 予測の安定性を変動係数（Coefficient of Variation）で測定し、分類性能を PR-AUC で検証することで、高精度と低変動を両立させた。
4. 展望・課題（Next）
- 適用範囲の拡大: 現在はクエリ-アプリ関連性モデルで検証されているが、他の推薦コンポーネントへの展開や、リアルタイム性が求められる環境での適用が課題。