論文の概要: A Comparative Study of Social Network Classifiers for Predicting Churn
in the Telecommunication Industry
- arxiv url: http://arxiv.org/abs/2001.06700v1
- Date: Sat, 18 Jan 2020 17:05:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 12:16:09.982573
- Title: A Comparative Study of Social Network Classifiers for Predicting Churn
in the Telecommunication Industry
- Title(参考訳): 通信産業におけるチャーン予測のためのソーシャルネットワーク分類器の比較研究
- Authors: Maria \'Oskarsd\'ottir, Cristi\'an Bravo, Wouter Verbeke, Carlos
Sarraute, Bart Baesens, Jan Vanthienen
- Abstract要約: ネットワーク学習は多くの研究で有効であることが示されている。
これらの手法は、電信企業における顧客の混乱を予測するために適応されている。
- 参考スコア(独自算出の注目度): 8.592714155264613
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Relational learning in networked data has been shown to be effective in a
number of studies. Relational learners, composed of relational classifiers and
collective inference methods, enable the inference of nodes in a network given
the existence and strength of links to other nodes. These methods have been
adapted to predict customer churn in telecommunication companies showing that
incorporating them may give more accurate predictions. In this research, the
performance of a variety of relational learners is compared by applying them to
a number of CDR datasets originating from the telecommunication industry, with
the goal to rank them as a whole and investigate the effects of relational
classifiers and collective inference methods separately. Our results show that
collective inference methods do not improve the performance of relational
classifiers and the best performing relational classifier is the network-only
link-based classifier, which builds a logistic model using link-based measures
for the nodes in the network.
- Abstract(参考訳): ネットワークデータにおける関係学習は多くの研究で有効であることが示されている。
関係学習者は、関係分類器と集団推論法からなり、他のノードへのリンクの存在と強度を考慮し、ネットワーク内のノードの推論を可能にする。
これらの手法は、電信企業における顧客の混乱を予測するために適応されており、それを取り入れることでより正確な予測が可能になる。
本研究では,通信産業から派生した多数のCDRデータセットに適用し,それらを総合的にランク付けし,関係分類器と集団推論手法を別々に検討することを目的として,多種多様な関係学習者の性能を比較した。
この結果から,関係分類器の性能は向上せず,最も優れた関係分類器はネットワークのみのリンクベース分類器であり,ネットワーク内のノードに対するリンクベース尺度を用いたロジスティックモデルを構築した。
関連論文リスト
- A Dirichlet stochastic block model for composition-weighted networks [0.0]
合成重みベクトルの直接モデリングに基づく合成重み付きネットワークのブロックモデルを提案する。
推論は分類期待-最大化アルゴリズムの拡張によって実装される。
このモデルはシミュレーション研究を用いて検証され,Erasmus交換プログラムのネットワークデータと,ロンドン市における自転車共有ネットワークで実証された。
論文 参考訳(メタデータ) (2024-08-01T15:41:07Z) - Distributed Learning over Networks with Graph-Attention-Based
Personalization [49.90052709285814]
分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。
特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。
グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
論文 参考訳(メタデータ) (2023-05-22T13:48:30Z) - Collaborative Mean Estimation over Intermittently Connected Networks
with Peer-To-Peer Privacy [86.61829236732744]
本研究は、断続接続を有するネットワーク上での分散平均推定(DME)の問題について考察する。
目標は、中央サーバの助けを借りて、分散ノード間でローカライズされたデータサンプルに関するグローバル統計を学習することだ。
ノード間のデータ共有による協調中継とプライバシー漏洩のトレードオフについて検討する。
論文 参考訳(メタデータ) (2023-02-28T19:17:03Z) - Is it all a cluster game? -- Exploring Out-of-Distribution Detection
based on Clustering in the Embedding Space [7.856998585396422]
新しい入力がトレーニング分布と大きく異なるタイミングを決定するためには、ディープニューラルネットワークの安全性クリティカルな応用が不可欠である。
埋め込み空間におけるクラスタの構造と分離について検討し、教師付きコントラスト学習が十分に分離されたクラスタに繋がることを示す。
異なるトレーニング方法、クラスタリング戦略、距離メトリクス、しきい値設定アプローチの分析において、明確な勝者は存在しない。
論文 参考訳(メタデータ) (2022-03-16T11:22:23Z) - Finite-Time Consensus Learning for Decentralized Optimization with
Nonlinear Gossiping [77.53019031244908]
本稿では,非線形ゴシップ(NGO)に基づく分散学習フレームワークを提案する。
コミュニケーション遅延とランダム化チャットが学習にどう影響するかを解析することで,実践的なバリエーションの導出が可能となる。
論文 参考訳(メタデータ) (2021-11-04T15:36:25Z) - The Impact of Network Connectivity on Collective Learning [1.370633147306388]
分散自律システムでは、システムの集団行動を管理する個々のエージェント間の相互作用である。
本稿では,ネットワークが集団学習の文脈における性能に与える影響について検討する。
論文 参考訳(メタデータ) (2021-06-01T17:39:26Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Combining Task Predictors via Enhancing Joint Predictability [53.46348489300652]
そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。
提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。
視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
論文 参考訳(メタデータ) (2020-07-15T21:58:39Z) - Collective Learning by Ensembles of Altruistic Diversifying Neural
Networks [0.0]
本稿では,対話型ニューラルネットワークの集合による協調学習モデルを提案する。
相互作用するネットワークのアンサンブルは独立したネットワークよりも優れており、ネットワーク間の結合が多様性を高め、個々のネットワークの性能を低下させるときに最適なアンサンブル性能が得られることを示す。
論文 参考訳(メタデータ) (2020-06-20T22:53:32Z) - Memory-Augmented Relation Network for Few-Shot Learning [114.47866281436829]
本研究では,新しい距離学習手法であるメモリ拡張リレーショナルネットワーク(MRN)について検討する。
MRNでは、作業状況と視覚的に類似したサンプルを選択し、重み付け情報伝搬を行い、選択したサンプルから有用な情報を注意深く集約し、その表現を強化する。
我々は、MRNが祖先よりも大幅に向上し、他の数発の学習手法と比較して、競争力や性能が向上することを示した。
論文 参考訳(メタデータ) (2020-05-09T10:09:13Z) - Social Network Analytics for Churn Prediction in Telco: Model Building,
Evaluation and Network Architecture [8.592714155264613]
ソーシャルネットワークのアナリティクスは、通信業界で顧客の混乱を予測するために使われており、大きな成功を収めている。
我々は,8つのコール・ディテール・レコード・データセットに適用することにより,関係学習者を構築するための様々な戦略をベンチマークする。
本稿では,通信業界におけるソーシャルネットワーク分析の適用方法に関するガイドラインを最適に提示する。
論文 参考訳(メタデータ) (2020-01-18T17:09:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。