Fugu-MT 論文翻訳(概要): Analysis of E-commerce Ranking Signals via Signal Temporal Logic

論文の概要: Analysis of E-commerce Ranking Signals via Signal Temporal Logic

arxiv url: http://arxiv.org/abs/2101.05415v1
Date: Thu, 14 Jan 2021 01:54:31 GMT
ステータス: 処理完了
システム内更新日: 2021-03-29 00:43:45.479261
Title: Analysis of E-commerce Ranking Signals via Signal Temporal Logic
Title（参考訳）: 信号時相論理による電子商取引ランキング信号の解析
Authors: Tommaso Dreossi (Amazon Search), Giorgio Ballardin (Amazon Search), Parth Gupta (Amazon Search), Jan Bakus (Amazon Search), Yu-Hsiang Lin (Amazon Search), Vamsi Salaka (Amazon Search)
Abstract要約: モデルをランク付けする学習によって得られた文書の時間的位置は、信号と見なすことができる。本稿では,STL(Signal Temporal Logic)と呼ばれる論理形式を用いて,所定の公式に従って文書の動作を特徴付けることを提案する。
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: The timed position of documents retrieved by learning to rank models can be seen as signals. Signals carry useful information such as drop or rise of documents over time or user behaviors. In this work, we propose to use the logic formalism called Signal Temporal Logic (STL) to characterize document behaviors in ranking accordingly to the specified formulas. Our analysis shows that interesting document behaviors can be easily formalized and detected thanks to STL formulas. We validate our idea on a dataset of 100K product signals. Through the presented framework, we uncover interesting patterns, such as cold start, warm start, spikes, and inspect how they affect our learning to ranks models.
Abstract（参考訳）: モデルランキングの学習によって得られた文書の時間的位置を信号と見なすことができる。信号は、時間経過やユーザの振る舞いに応じて文書のドロップや上昇といった有用な情報を運ぶ。本研究では,STL(Signal Temporal Logic)と呼ばれる論理形式を用いて,所定の公式に従って文書の動作を特徴付けることを提案する。分析の結果、興味深い文書の挙動はstl式により容易に形式化・検出できることがわかった。私たちは10万の製品信号のデータセットでアイデアを検証する。提示されたフレームワークを通じて、コールドスタート、ウォームスタート、スパイクなどの興味深いパターンを発見し、それらがモデルのランク付けにどのように影響するかを調べます。

関連論文リスト

Jointly Modeling Spatio-Temporal Features of Tactile Signals for Action Classification [50.63919418371698]
ウェアラブルエレクトロニクスによって収集される触覚信号は、人間の行動のモデリングと理解に不可欠である。既存の動作分類法では、触覚信号の空間的特徴と時間的特徴を同時に捉えることができない。 S-Temporal Aware Aware Transformer (STAT) を提案する。
論文参考訳（メタデータ） (2024-01-21T03:47:57Z)
Representing Timed Automata and Timing Anomalies of Cyber-Physical Production Systems in Knowledge Graphs [51.98400002538092]
本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
論文参考訳（メタデータ） (2023-08-25T15:25:57Z)
ASTRIDE: Adaptive Symbolization for Time Series Databases [6.8820425565516095]
時系列の新たなシンボル表現である ASTRIDE と FASTRIDE (Fast ASTRIDE) について紹介する。多くのシンボル化手順とは異なり、ASTRIDEは、変化点検出と量子化ステップを量子化を用いて行うことにより、セグメンテーションステップの両方に適応する。本稿では,SAX,1d-SAX,SFA,ABBAと比較して,ASTRIDEおよびFASTRIDE表現の再現性および適用性について述べる。
論文参考訳（メタデータ） (2023-02-08T14:46:24Z)
Contrastive Learning for Time Series on Dynamic Graphs [17.46524362769774]
本稿では,グラフと時系列の結合表現の教師なし学習のためのGraphTNCというフレームワークを提案する。実世界のデータセットを用いた分類作業において有益であることを示す。
論文参考訳（メタデータ） (2022-09-21T21:14:28Z)
Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文参考訳（メタデータ） (2022-08-24T07:50:43Z)
Time-Incremental Learning from Data Using Temporal Logics [3.167882687550935]
本稿では,プレフィックス信号と呼ばれる,時間とともに漸進的に受信される信号のラベルを予測する手法を提案する。与えられたデータセットから有限個の信号時間論理(STL)仕様を生成するための,決定木に基づく新しい手法を提案する。本アルゴリズムの有効性と分類性能を,都市交通と海軍監視ケーススタディで評価した。
論文参考訳（メタデータ） (2021-12-28T21:32:00Z)
DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文参考訳（メタデータ） (2021-12-08T13:07:21Z)
Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer [69.0621959845251]
本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。 TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。 5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
論文参考訳（メタデータ） (2021-08-14T22:50:53Z)
Log2NS: Enhancing Deep Learning Based Analysis of Logs With Formal to Prevent Survivorship Bias [0.37943450391498496]
本稿では,機械学習(ML)による観測データに対する確率的解析と,基礎となる形式モデルに基づく記号的推論から導出される確実性を組み合わせたフレームワークであるlog to Neuro-symbolic (Log2NS)を紹介する。 Log2NSは、静的ログと相関エンジンからポジティブなインスタンスを問い合わせる機能と、ネガティブなインスタンスと目に見えないインスタンスの正式な推論を提供する。
論文参考訳（メタデータ） (2021-05-29T00:01:08Z)
A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文参考訳（メタデータ） (2020-10-29T08:27:43Z)

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。