論文の概要: Predicting Individual Treatment Effects of Large-scale Team Competitions
in a Ride-sharing Economy
- arxiv url: http://arxiv.org/abs/2008.07364v1
- Date: Fri, 7 Aug 2020 22:01:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 01:12:28.306383
- Title: Predicting Individual Treatment Effects of Large-scale Team Competitions
in a Ride-sharing Economy
- Title（参考訳）: ライドシェアリング経済における大規模チーム競争の個人的治療効果予測
- Authors: Teng Ye, Wei Ai, Lingyu Zhang, Ning Luo, Lulu Zhang, Jieping Ye,
Qiaozhu Mei
- Abstract要約: 私たちは、主要なライドシェアリングプラットフォームによって組織された500以上の大規模なチームコンペティションから収集されたデータを分析します。
特徴と予測器を慎重に調査することで,サンプル外予測誤差を24%以上削減できる。
シミュレーション分析により、いくつかの競合設計オプションを変更するだけで、実際の競合に対する平均的な治療効果が最大26%増加することが予測されている。
- 参考スコア（独自算出の注目度）: 47.47879093076968
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Millions of drivers worldwide have enjoyed financial benefits and work
schedule flexibility through a ride-sharing economy, but meanwhile they have
suffered from the lack of a sense of identity and career achievement. Equipped
with social identity and contest theories, financially incentivized team
competitions have been an effective instrument to increase drivers'
productivity, job satisfaction, and retention, and to improve revenue over cost
for ride-sharing platforms. While these competitions are overall effective, the
decisive factors behind the treatment effects and how they affect the outcomes
of individual drivers have been largely mysterious. In this study, we analyze
data collected from more than 500 large-scale team competitions organized by a
leading ride-sharing platform, building machine learning models to predict
individual treatment effects. Through a careful investigation of features and
predictors, we are able to reduce out-sample prediction error by more than 24%.
Through interpreting the best-performing models, we discover many novel and
actionable insights regarding how to optimize the design and the execution of
team competitions on ride-sharing platforms. A simulated analysis demonstrates
that by simply changing a few contest design options, the average treatment
effect of a real competition is expected to increase by as much as 26%. Our
procedure and findings shed light on how to analyze and optimize large-scale
online field experiments in general.
- Abstract（参考訳）: 世界中の何百万人ものドライバーが、ライドシェアリング経済を通じて経済的利益と労働スケジュールの柔軟性を享受しているが、一方ではアイデンティティとキャリアの達成感の欠如に苦しんでいる。
社会的アイデンティティとコンテスト理論を取り入れた、経済的にインセンティブを得たチームコンペティションは、ドライバーの生産性、仕事の満足度、維持率を高め、ライドシェアリングプラットフォームのコストよりも収益を上げるための効果的な手段となっている。
これらの競争は全体的に効果があるが、治療効果の背後にある決定的な要因と、個々のドライバーの結果にどのように影響するかは、ほとんど謎に包まれている。
本研究では,大手ライドシェアリングプラットフォームによって組織された500以上の大規模チームコンペティションから収集されたデータを分析し,個々の治療効果を予測する機械学習モデルを構築した。
特徴と予測器の綿密な調査を通じて,サンプル外の予測誤差を24%以上低減することができた。
最高のパフォーマンスモデルを理解することで、ライドシェアリングプラットフォームにおけるチームコンペティションの最適化と実行方法に関する、斬新で実行可能な洞察を数多く見つけ出します。
シミュレーション分析により、いくつかの競合設計オプションを変更するだけで、実際の競合に対する平均的な治療効果が最大26%増加することが示されている。
大規模オンラインフィールド実験を概ね分析し,最適化する方法について検討した。
関連論文リスト
- Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
実際には、因果研究者は先験を念頭において1つの結果を持っていない。
政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。
本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
論文 参考訳（メタデータ） (2024-04-29T08:16:30Z) - CompeteSMoE -- Effective Training of Sparse Mixture of Experts via
Competition [52.2034494666179]
スパース・ミックス・オブ・エキスパート(SMoE)は、ネットワークの深さや幅を増大させる平均を超えた、モデルの複雑さをスケールアップする魅力的なソリューションを提供する。
本稿では,この表現崩壊の根本的な課題に対処する競合機構を提案する。
入力を最も高い神経応答を持つ専門家にのみルーティングすることにより、コンペティションが最適推定器と同じ収束率を持つことを示す。
論文 参考訳（メタデータ） (2024-02-04T15:17:09Z) - An Integrated Framework for Team Formation and Winner Prediction in the
FIRST Robotics Competition: Model, Algorithm, and Analysis [0.0]
本手法をFIRSTロボティクスコンペティションの起草プロセスに適用する。
まず,チーム全体のパフォーマンスに基づいて,個々のメンバのパフォーマンスを推定する手法を開発した。
チーム形成を最適化するためにアライアンス最適化アルゴリズムを開発し、優勝チームを予測するためにディープニューラルネットワークモデルを訓練する。
論文 参考訳（メタデータ） (2024-01-06T23:11:50Z) - Improved Bayes Risk Can Yield Reduced Social Welfare Under Competition [99.7047087527422]
本研究は,機械学習のスケーリングトレンドの振る舞いを根本的に変化させることを実証する。
データ表現品質の改善により、ユーザ間での全体的な予測精度が低下する、多くの設定が見つかる。
概念レベルでは,各モデルプロジェクタのスケーリング傾向が,社会福祉の下流改善に寄与する必要はないことが示唆された。
論文 参考訳（メタデータ） (2023-06-26T13:06:34Z) - Strategic Data Sharing between Competitors [4.8951183832371]
このデータ共有トレードオフを分析するための一般的なフレームワークを紹介します。
経済理論から従来の市場モデルに基づくフレームワークのインスタンス化について検討する。
以上の結果から,市場環境がデータ共有インセンティブに大きく影響していることが示唆された。
論文 参考訳（メタデータ） (2023-05-25T13:34:12Z) - Cascaded Debiasing: Studying the Cumulative Effect of Multiple
Fairness-Enhancing Interventions [48.98659895355356]
本稿では機械学習(ML)パイプラインの異なる段階における多重公正強化介入の累積効果について検討する。
複数の介入を適用すると、集約に対する個々の介入よりも公平性と実用性が向上する。
マイナス面として、公平性向上の介入は異なる集団、特に特権集団に悪影響を及ぼす可能性がある。
論文 参考訳（メタデータ） (2022-02-08T09:20:58Z) - Interpretable Multiple Treatment Revenue Uplift Modeling [4.9571232160914365]
アップリフトモデルは、治療による顧客の行動の変化を予測することで、企業の意思決定をサポートします。
本稿は,複数の治療と連続的な結果に対する上昇モデルを開発することにより,対応するアプローチを拡張する。
論文 参考訳（メタデータ） (2021-01-09T11:29:00Z) - Trading the System Efficiency for the Income Equality of Drivers in
Rideshare [23.53645438932742]
ライダーの差別的キャンセルによる配車ドライバー間の所得格差を調査します。
事前に知られた流通に続いて、ライダーが順次到着すると想定されるオンライン二元マッチングモデルを提案する。
論文 参考訳（メタデータ） (2020-12-12T16:04:06Z) - Kaggle forecasting competitions: An overlooked learning opportunity [0.0]
実生活におけるビジネス予測タスクを含む6つのKaggleコンペティションの結果をレビューする。
その結果、Kaggleデータセットの大部分は、M競合よりも高い断続性とエントロピーによって特徴づけられることがわかった。
我々は、勾配を増す決定木の性能向上、予測のためのニューラルネットワークの成功の増加、予測タスクに機械学習モデルを適用するための様々なテクニックを見出した。
論文 参考訳（メタデータ） (2020-09-16T14:14:41Z) - Competing Bandits: The Perils of Exploration Under Competition [99.68537519404727]
オンラインプラットフォーム上での探索と競争の相互作用について検討する。
私たちは、スタークコンペティションが企業に対して、低福祉につながる「欲張り」バンディットアルゴリズムにコミットするよう促すことに気付きました。
競争を弱めるための2つのチャンネルについて検討する。
論文 参考訳（メタデータ） (2020-07-20T14:19:08Z)
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。