論文の概要: Adapting Neural Networks for Uplift Models

• arxiv url: http://arxiv.org/abs/2011.00041v1
• Date: Fri, 30 Oct 2020 18:42:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 16:18:13.230168
• Title: Adapting Neural Networks for Uplift Models
• Title（参考訳）: 昇降モデルに対するニューラルネットワークの適用
• Authors: Belbahri Mouloud, Gandouet Olivier, Kazma Ghaith
• Abstract要約: アップリフトは、条件付き平均回帰(i)変換結果回帰(i)を用いて推定される。 既存のアプローチは、アップリフトケースに対する分類木と回帰木の適応である。 本稿ではニューラルネットワークを用いた新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uplift is a particular case of individual treatment effect modeling. Such models deal with cause-and-effect inference for a specific factor, such as a marketing intervention. In practice, these models are built on customer data who purchased products or services to improve product marketing. Uplift is estimated using either i) conditional mean regression or ii) transformed outcome regression. Most existing approaches are adaptations of classification and regression trees for the uplift case. However, in practice, these conventional approaches are prone to overfitting. Here we propose a new method using neural networks. This representation allows to jointly optimize the difference in conditional means and the transformed outcome losses. As a consequence, the model not only estimates the uplift, but also ensures consistency in predicting the outcome. We focus on fully randomized experiments, which is the case of our data. We show our proposed method improves the state-of-the-art on synthetic and real data.
• Abstract（参考訳）: アップリフトは個々の治療効果モデリングの特別な例である。 このようなモデルは、マーケティング介入のような特定の要因の因果推論を扱う。 実際にこれらのモデルは、製品マーケティングを改善するために製品やサービスを購入した顧客データに基づいて構築される。 upliftはどちらかを使って見積もる 一 条件付き平均回帰又は ii) 結果回帰が変化した。 既存のアプローチのほとんどは、アップリフトの場合の分類と回帰木の適応である。 しかし、実際にはこれらの従来のアプローチは過度に適合しがちである。 本稿ではニューラルネットワークを用いた新しい手法を提案する。 この表現は条件付き手段の違いと変換結果の損失を共同で最適化することができる。 その結果、モデルは上昇を見積もるだけでなく、結果を予測する上で一貫性を確保します。 データの場合、完全にランダム化された実験に重点を置いています。 提案手法は, 合成データと実データに関する最新技術を改善した。

関連論文リスト

• Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
  拡散モデルは、生成的モデリングに大きな進歩をもたらした。 しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。 本稿では,テキスト・インフルエンス・ファンクション・フレームワークを開発することにより,このような課題に対処することを目的とする。
  論文  参考訳（メタデータ） (2024-10-17T17:59:02Z)
• Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
  本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。 限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• Self-Consuming Generative Models with Curated Data Provably Optimize Human Preferences [20.629333587044012]
  本研究では,データキュレーションが生成モデルの反復的再学習に与える影響について検討する。 報奨モデルに従ってデータをキュレートすると、反復的再訓練手順の期待報酬が最大になることを示す。
  論文  参考訳（メタデータ） (2024-06-12T21:28:28Z)
• Generalized Regression with Conditional GANs [2.4171019220503402]
  本稿では,学習データセットにおける特徴ラベルペアと,対応する入力と組み合わせて出力を区別できない予測関数を学習することを提案する。 回帰に対するこのアプローチは、私たちが適合するデータの分布に対する仮定を減らし、表現能力が向上することを示す。
  論文  参考訳（メタデータ） (2024-04-21T01:27:47Z)
• ZeroShape: Regression-based Zero-shot Shape Reconstruction [56.652766763775226]
  単一画像ゼロショット3次元形状再構成の問題点について検討する。 最近の研究は、3Dアセットの生成的モデリングを通してゼロショット形状復元を学習している。 我々はZeroShapeが最先端の手法よりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-12-21T01:56:34Z)
• Uplift Modeling based on Graph Neural Network Combined with Causal Knowledge [9.005051998738134]
  本稿では、因果知識と昇降値の見積を組み合わせたグラフニューラルネットワークに基づくフレームワークを提案する。 本手法は, 典型的なシミュレーションデータに小さな誤差を伴って, 昇降値の予測に有効であることを示す。
  論文  参考訳（メタデータ） (2023-11-14T07:21:00Z)
• A New Transformation Approach for Uplift Modeling with Binary Outcome [7.828300476533517]
  Uplift Modeling(アップリフト・モデリング)は、機械学習のテクニックで、何らかのアクションを実行することで、それを受け取らないことで得られる利益を予測する。 本稿では,2値対象変数の場合の新たな変換結果を設計し,結果ゼロのサンプルの完全な値をアンロックする。 当社の新たなアプローチは、中国全土の金融保有グループの精密マーケティングにすでに適用されています。
  論文  参考訳（メタデータ） (2023-10-09T09:17:52Z)
• Mismatched No More: Joint Model-Policy Optimization for Model-Based RL [172.37829823752364]
  本稿では,モデルとポリシーを共同でトレーニングする単一目的について提案する。 我々の目標は、期待されるリターンのグローバルな低い境界であり、この境界は特定の仮定の下で厳密になる。 結果のアルゴリズム(MnM)は概念的にはGANと似ている。
  論文  参考訳（メタデータ） (2021-10-06T13:43:27Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing Regressions In NLP Model Updates [68.09049111171862]
  この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。 回帰フリーモデル更新を制約付き最適化問題に定式化する。 モデルアンサンブルが回帰を減らす方法を実証的に分析します。
  論文  参考訳（メタデータ） (2021-05-07T03:33:00Z)

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。