論文の概要: Split: Inferring Unobserved Event Probabilities for Disentangling Brand-Customer Interactions

• arxiv url: http://arxiv.org/abs/2012.04445v1
• Date: Tue, 8 Dec 2020 14:31:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-17 05:50:52.881122
• Title: Split: Inferring Unobserved Event Probabilities for Disentangling Brand-Customer Interactions
• Title（参考訳）: Split: ブランドと顧客のインタラクションを遠ざけるために、観測されていないイベント確率を推論する
• Authors: Ayush Chauhan, Aditya Anand, Shaddy Garg, Sunny Dhamnani, Shiv Kumar Saini
• Abstract要約: 多くの場合、データは複数のイベントで構成された複合イベントのみを含んでいます。 ひとつのアプローチは、関心のないイベントのプロキシとして複合イベントを使用することだ。 本稿では,複合イベントに関する情報と複合イベントの集約データに基づいて,興味のあるイベントを識別する直接的アプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Often, data contains only composite events composed of multiple events, some observed and some unobserved. For example, search ad click is observed by a brand, whereas which customers were shown a search ad - an actionable variable - is often not observed. In such cases, inference is not possible on unobserved event. This occurs when a marketing action is taken over earned and paid digital channels. Similar setting arises in numerous datasets where multiple actors interact. One approach is to use the composite event as a proxy for the unobserved event of interest. However, this leads to invalid inference. This paper takes a direct approach whereby an event of interest is identified based on information on the composite event and aggregate data on composite events (e.g. total number of search ads shown). This work contributes to the literature by proving identification of the unobserved events' probabilities up to a scalar factor under mild condition. We propose an approach to identify the scalar factor by using aggregate data that is usually available from earned and paid channels. The factor is identified by adding a loss term to the usual cross-entropy loss. We validate the approach on three synthetic datasets. In addition, the approach is validated on a real marketing problem where some observed events are hidden from the algorithm for validation. The proposed modification to the cross-entropy loss function improves the average performance by 46%.
• Abstract（参考訳）: 多くの場合、データは複数のイベントからなる複合イベントのみを含む。 例えば、検索広告クリックはブランドによって観察されるが、顧客が表示した検索広告(アクション可能な変数)はしばしば観察されない。 そのような場合、観測されていないイベントでは推論は不可能である。 これは、マーケティングアクションが、収益と有償のデジタルチャネルを乗っ取るときに発生する。 同様の設定は、複数のアクターが相互作用する多数のデータセットに発生する。 ひとつのアプローチは、関心のないイベントのプロキシとして複合イベントを使用することだ。 しかし、これは無効な推論につながる。 本稿では,複合イベントに関する情報と複合イベントの集約データ(例)に基づいて,興味のあるイベントを識別する,直接的なアプローチをとる。 検索広告の総数)。 この研究は、軽度の条件下で、観測されていない事象の確率をスカラー因子まで同定することによって文献に寄与する。 我々は、通常、出来高や有料のチャンネルから利用可能な集計データを用いて、スカラー係数を識別する手法を提案する。 この因子は、通常のクロスエントロピー損失に損失項を加えることによって同定される。 このアプローチを3つの合成データセットで検証する。 さらに、このアプローチは、検証のためにアルゴリズムから観測されたイベントが隠されている実際のマーケティング問題で検証される。 クロスエントロピー損失関数の修正は平均性能を46%向上させる。

関連論文リスト

• Event Detection via Probability Density Function Regression [0.0]
  本研究では、時間間隔定義イベント検出問題を再編成する一般化回帰に基づく手法を提案する。 コンピュータビジョンからの熱マップ回帰技術にインスパイアされた本手法は,事象発生時の確率密度を予測することを目的としている。 回帰に基づくアプローチは,様々な最先端のベースラインネットワークやデータセットのセグメンテーションに基づく手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-23T01:58:56Z)
• Detecting Anomalous Events in Object-centric Business Processes via Graph Neural Networks [55.583478485027]
  本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。 まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。 次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2024-02-14T14:17:56Z)
• Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources [64.96984404868411]
  我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。 利用可能なデータの可能性は局所的な最大値を持たないことを示す。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2023-07-31T11:28:24Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• Reliable Shot Identification for Complex Event Detection via Visual-Semantic Embedding [72.9370352430965]
  本稿では,映像中の事象検出のための視覚的意味的誘導損失法を提案する。 カリキュラム学習に動機付け,高い信頼性の事例で分類器の訓練を開始するために,負の弾性正規化項を導入する。 提案する非ネット正規化問題の解法として,代替最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-10-12T11:46:56Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)
• Anomaly Detection for Aggregated Data Using Multi-Graph Autoencoder [21.81622481466591]
  システムログの異常検出モデルの作成に重点を置いている。 集約されたデータと集約されたイベント間の関係を徹底的に分析する。 本稿では,新しい畳み込みグラフ自動エンコーダモデルMGAEを提案する。
  論文  参考訳（メタデータ） (2021-01-11T17:38:42Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T18:39:24Z)
• Logistic Regression for Massive Data with Rare Events [4.09920839425892]
  本稿では,レアイベントデータ(不均衡データ)のバイナリロジスティック回帰について検討する。 希少なイベントデータ中の利用可能な情報は、完全なデータサンプルサイズではなく、イベント数の大きさであることを示す。
  論文  参考訳（メタデータ） (2020-06-01T03:09:49Z)
• Two-Sample Testing for Event Impacts in Time Series [0.0]
  時系列と一連の観測イベント間の共有情報に対する非自明な統計的テストを提案する。 本テストでは,特定の事象検出手法にコミットすることなく,事象発生に関する情報を伝達する時系列を識別できる。
  論文  参考訳（メタデータ） (2020-01-31T16:13:02Z)

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。