論文の概要: Gradient Boosting Application in Forecasting of Performance Indicators
Values for Measuring the Efficiency of Promotions in FMCG Retail
- arxiv url: http://arxiv.org/abs/2006.04945v1
- Date: Sat, 30 May 2020 20:08:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 17:51:50.667367
- Title: Gradient Boosting Application in Forecasting of Performance Indicators
Values for Measuring the Efficiency of Promotions in FMCG Retail
- Title(参考訳): fmcg小売店舗におけるプロモーションの効率評価のためのパフォーマンス指標値予測における勾配強化の適用
- Authors: Joanna Henzel and Marek Sikora
- Abstract要約: プロモーション効果を捉えるために6つのパフォーマンス指標が導入された。
それぞれの製品に対して、事前に定義された製品グループの中で、モデルがトレーニングされた。
大型食料品会社の3つの製品群を対象とした実験を行った。
- 参考スコア(独自算出の注目度): 0.10152838128195464
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the paper, a problem of forecasting promotion efficiency is raised. The
authors propose a new approach, using the gradient boosting method for this
task. Six performance indicators are introduced to capture the promotion
effect. For each of them, within predefined groups of products, a model was
trained. A description of using these models for forecasting and optimising
promotion efficiency is provided. Data preparation and hyperparameters tuning
processes are also described. The experiments were performed for three groups
of products from a large grocery company.
- Abstract(参考訳): 本稿では,促進効率の予測に関する課題を提起する。
筆者らは, この課題に勾配ブースティング法を応用した新しい手法を提案する。
プロモーション効果を捉えるために、6つのパフォーマンス指標が導入される。
それぞれの製品について、事前定義されたグループ内では、モデルがトレーニングされた。
これらのモデルを用いたプロモーション効率の予測と最適化について述べる。
データ準備およびハイパーパラメータチューニングプロセスについても述べる。
実験は、大型食料品会社の3つのグループの製品に対して行われた。
関連論文リスト
- Augmenting Unsupervised Reinforcement Learning with Self-Reference [63.68018737038331]
人間は、新しいタスクを学ぶ際に、過去の経験を明確に表現する能力を持っている。
本稿では,歴史情報を活用するためのアドオンモジュールとして,自己参照(SR)アプローチを提案する。
提案手法は,非教師付き強化学習ベンチマークにおけるIQM(Interquartile Mean)性能と最適ギャップ削減の両面から,最先端の成果を実現する。
論文 参考訳(メタデータ) (2023-11-16T09:07:34Z) - Optimal Budgeted Rejection Sampling for Generative Models [54.050498411883495]
判別器を用いた生成モデルの性能向上のために, 還元サンプリング法が提案されている。
提案手法は,まず,最適に最適である最適予算削減サンプリング方式を提案する。
第2に,モデル全体の性能を高めるために,サンプリング方式をトレーニング手順に組み込んだエンドツーエンド手法を提案する。
論文 参考訳(メタデータ) (2023-11-01T11:52:41Z) - E^2VPT: An Effective and Efficient Approach for Visual Prompt Tuning [55.50908600818483]
新しいタスクのための微調整された大規模な事前学習型ビジョンモデルは、パラメーター集約化が進んでいる。
本稿では,大規模なトランスフォーマーモデル適応のための効果的かつ効率的なビジュアルプロンプトチューニング(E2VPT)手法を提案する。
提案手法は2つのベンチマークにおいて,最先端のベースラインを上回っている。
論文 参考訳(メタデータ) (2023-07-25T19:03:21Z) - Refining the Responses of LLMs by Themselves [0.0]
繰り返し自己評価最適化機構を導入し、イテレーションが進むにつれて出力品質が向上する可能性を秘めている。
実験結果から, GPT-3.5モデルにおける応答改善フレームワークの利用は, 最先端の GPT-4 モデルと同等あるいはそれ以上の結果が得られることがわかった。
論文 参考訳(メタデータ) (2023-05-06T13:03:45Z) - Diffusion Action Segmentation [63.061058214427085]
本稿では,このような反復的洗練の本質的な精神を共用した拡散モデルによる新しい枠組みを提案する。
このフレームワークでは、入力された映像の特徴を条件としてランダムノイズから行動予測を反復的に生成する。
論文 参考訳(メタデータ) (2023-03-31T10:53:24Z) - Functional Optimization Reinforcement Learning for Real-Time Bidding [14.5826735379053]
リアルタイム入札はプログラム広告の新しいパラダイムである。
既存のアプローチは、入札最適化に十分なソリューションを提供するのに苦労しています。
本稿では,機能最適化を伴うRTBのためのマルチエージェント強化学習アーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-06-25T06:12:17Z) - High-Dimensional Bayesian Optimisation with Variational Autoencoders and
Deep Metric Learning [119.91679702854499]
本研究では,高次元の入力空間上でベイズ最適化を行うためのディープ・メトリック・ラーニングに基づく手法を提案する。
このような帰納バイアスを、利用可能なラベル付きデータの1%だけを用いて達成する。
実証的な貢献として、実世界の高次元ブラックボックス最適化問題に対する最先端の結果を示す。
論文 参考訳(メタデータ) (2021-06-07T13:35:47Z) - Mind the Trade-off: Debiasing NLU Models without Degrading the
In-distribution Performance [70.31427277842239]
信頼性正則化という新しいデバイアス化手法を導入する。
モデルがバイアスを悪用するのを防ぐと同時に、トレーニングのすべての例から学ぶのに十分なインセンティブを得られるようにします。
提案手法を3つのNLUタスクで評価し,前者とは対照的に,アウト・オブ・ディストリビューション・データセットの性能が向上することを示す。
論文 参考訳(メタデータ) (2020-05-01T11:22:55Z) - Learning to rank for uplift modeling [13.37616530323223]
アップリフトモデリングの文脈における学習からランクへのテクニックの可能性について検討する。
本稿では,現在使用されている様々なグローバル・アップリフト・モデリング手法の統一的な形式化を提案する。
我々は,PCG(Progressed cumulative gain)と呼ばれる,アップリフト曲線の下での領域の最適化に焦点をあてた,学習からランクへの新たな指標を提案する。
論文 参考訳(メタデータ) (2020-02-14T07:37:16Z)
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。