論文の概要: Adversarial Validation Approach to Concept Drift Problem in User Targeting Automation Systems at Uber

• arxiv url: http://arxiv.org/abs/2004.03045v2
• Date: Fri, 26 Jun 2020 06:23:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 22:52:31.796826
• Title: Adversarial Validation Approach to Concept Drift Problem in User Targeting Automation Systems at Uber
• Title（参考訳）: Uberにおけるユーザターゲット自動化システムにおけるコンセプトドリフト問題に対する逆検証手法
• Authors: Jing Pan, Vincent Pham, Mohan Dorairaj, Huigang Chen, Jeong-Yoon Lee (Uber Technologies, San Francisco, CA, USA)
• Abstract要約: 本稿では,ユーザターゲティング自動化システムにおけるドリフト問題に対する逆検証手法を提案する。 提案手法では,仮説作成前に概念ドリフトを検出し,モデルを訓練し,新しいデータに適応した予測を生成する。 提案手法は,AutoML3 Lifelong Machine Learning Challengeデータを用いて,概念のドリフトに効果的に対処することを示す。
• 参考スコア（独自算出の注目度）: 2.638512174804417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In user targeting automation systems, concept drift in input data is one of the main challenges. It deteriorates model performance on new data over time. Previous research on concept drift mostly proposed model retraining after observing performance decreases. However, this approach is suboptimal because the system fixes the problem only after suffering from poor performance on new data. Here, we introduce an adversarial validation approach to concept drift problems in user targeting automation systems. With our approach, the system detects concept drift in new data before making inference, trains a model, and produces predictions adapted to the new data. We show that our approach addresses concept drift effectively with the AutoML3 Lifelong Machine Learning challenge data as well as in Uber's internal user targeting automation system, MaLTA.
• Abstract（参考訳）: ユーザターゲティング自動化システムでは、入力データのコンセプトドリフトが大きな課題のひとつです。 時間とともに新しいデータのモデルパフォーマンスが低下する。 概念ドリフトに関するこれまでの研究は、ほとんどが性能低下を観測した後のモデル再訓練である。 しかし,本手法は,新しいデータの性能低下に悩まされた後にのみ問題を修正するため,準最適である。 本稿では,ユーザターゲティング自動化システムにおけるドリフト問題に対する逆検証手法を提案する。 提案手法では,推論の前に新たなデータ内の概念ドリフトを検出し,モデルを学習し,新たなデータに適応した予測を生成する。 当社のアプローチでは,AutoML3 Lifelong Machine Learningの課題データと,Uberの内部ユーザターゲティング自動化システムであるMaLTAで,概念の漂流に効果的に対応しています。

関連論文リスト

• Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
  機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。 最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
  論文  参考訳（メタデータ） (2024-10-30T17:20:10Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• MORPH: Towards Automated Concept Drift Adaptation for Malware Detection [0.7499722271664147]
  コンセプトドリフトはマルウェア検出にとって重要な課題である。 自己学習は、コンセプトドリフトを緩和するための有望なアプローチとして現れています。 擬似ラベルに基づく効果的なドリフト適応法であるMORPHを提案する。
  論文  参考訳（メタデータ） (2024-01-23T14:25:43Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Reliable and Interpretable Drift Detection in Streams of Short Texts [2.4603302139672008]
  データドリフトは、機械学習モデルの性能劣化につながる重要な要因の1つだ。 本稿では,大規模タスク指向対話システムにおけるモデルに依存しない変更点の検出と解釈のためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-28T15:14:54Z)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• Real-time Object Detection for Streaming Perception [84.2559631820007]
  ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。 ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。 提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
  論文  参考訳（メタデータ） (2022-03-23T11:33:27Z)
• Autoregressive based Drift Detection Method [0.0]
  我々はADDMと呼ばれる自己回帰モデルに基づく新しい概念ドリフト検出手法を提案する。 以上の結果から,新しいドリフト検出法は最先端ドリフト検出法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-03-09T14:36:16Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• Switching Scheme: A Novel Approach for Handling Incremental Concept Drift in Real-World Data Sets [0.0]
  概念ドリフトは、機械学習システムの予測性能に深刻な影響を与える可能性がある。 本研究では,実世界のデータセットの文脈における概念ドリフトの効果を分析する。 本稿では,機械学習モデルの再学習と更新の2つの原則を組み合わせたスイッチング方式を提案する。
  論文  参考訳（メタデータ） (2020-11-05T10:16:54Z)
• Handling Concept Drifts in Regression Problems -- the Error Intersection Approach [0.0]
  本稿では,回帰タスクに対する単純な機械学習モデルと複雑な機械学習モデルの適用を切り替える戦略を提案する。 われわれは、ニューヨークにおけるタクシー需要の現実的なデータセットに対するアプローチをインスタンス化しています。
  論文  参考訳（メタデータ） (2020-04-01T13:30:05Z)

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。