論文の概要: Understanding & Predicting User Lifetime with Machine Learning in an Anonymous Location-Based Social Network

• arxiv url: http://arxiv.org/abs/2103.01300v1
• Date: Mon, 1 Mar 2021 20:43:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-04 02:09:28.709749
• Title: Understanding & Predicting User Lifetime with Machine Learning in an Anonymous Location-Based Social Network
• Title（参考訳）: 匿名位置情報型ソーシャルネットワークにおける機械学習によるユーザライフタイムの理解と予測
• Authors: Jens Helge Reelfs and Max Bergmann and Oliver Hohlfeld and Niklas Henckell
• Abstract要約: 私たちは、サウジアラビア王国の匿名でロケーションベースのソーシャルネットワークJodel内のユーザー寿命を予測します。 単一の国全体のモデルは問題を一般化し、テスト済みのコミュニティでも同じように機能する。
• 参考スコア（独自算出の注目度）: 2.1028463367241033
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we predict the user lifetime within the anonymous and location-based social network Jodel in the Kingdom of Saudi Arabia. Jodel's location-based nature yields to the establishment of disjoint communities country-wide and enables for the first time the study of user lifetime in the case of a large set of disjoint communities. A user's lifetime is an important measurement for evaluating and steering customer bases as it can be leveraged to predict churn and possibly apply suitable methods to circumvent potential user losses. We train and test off the shelf machine learning techniques with 5-fold crossvalidation to predict user lifetime as a regression and classification problem; identifying the Random Forest to provide very strong results. Discussing model complexity and quality trade-offs, we also dive deep into a time-dependent feature subset analysis, which does not work very well; Easing up the classification problem into a binary decision (lifetime longer than timespan $x$) enables a practical lifetime predictor with very good performance. We identify implicit similarities across community models according to strong correlations in feature importance. A single countrywide model generalizes the problem and works equally well for any tested community; the overall model internally works similar to others also indicated by its feature importances.
• Abstract（参考訳）: 本研究では、サウジアラビア王国の匿名および位置情報ベースのソーシャルネットワーク、Jodelにおけるユーザ寿命を予測する。 ジョデルの立地ベースの性質は、全国的に不協和なコミュニティの設立につながり、不協和なコミュニティの大規模なセットの場合、初めてユーザー寿命の研究を可能にします。 ユーザの寿命は、チャーンを予測するために活用され、潜在的ユーザ損失を回避するために適切な方法を適用することができるため、顧客ベースの評価と運営において重要な測定値である。 5倍のクロスバリデーションを用いた棚型機械学習技術をトレーニングしてテストし,回帰と分類の問題としてユーザ寿命を予測する。 モデルの複雑さと品質のトレードオフについて議論し、我々はまた、非常にうまく機能しない時間依存のフィーチャーサブセット分析に深く掘り下げます。分類問題をバイナリ決定(タイムパン$x$よりも長い寿命)に容易化することで、非常に優れたパフォーマンスを持つ実用的な寿命予測器を可能にします。 特徴的重要性の強い相関関係に基づき,コミュニティモデル間の暗黙的な類似性を同定する。 単一の国全体のモデルは問題を一般化し、どのテストされたコミュニティでも同じように機能する。

関連論文リスト

• SureMap: Simultaneous Mean Estimation for Single-Task and Multi-Task Disaggregated Evaluation [75.56845750400116]
  分散評価(disaggregated evaluation) -- 異なるサブポピュレーション上での機械学習モデルのパフォーマンスの推定 - は、AIシステムのパフォーマンスとグループフェアネスを評価する上で、中核的なタスクである。 ブラックボックスモデルの評価において,マルチタスクとシングルタスクの双方に対して高い推定精度を持つSureMapを開発した。 提案手法は, ウェル・チョーゼンを用いた最大後部推定と, スタインの非バイアスリスク推定(SURE)によるクロスバリデーションフリーチューニングを併用する。
  論文  参考訳（メタデータ） (2024-11-14T17:53:35Z)
• TripleSurv: Triplet Time-adaptive Coordinate Loss for Survival Analysis [15.496918127515665]
  本稿では,学習過程の複雑さを扱える時間適応座標損失関数TripleSurvを提案する。 我々のTripleSurvは3つの実世界の生存データセットと公開合成データセットで評価されている。
  論文  参考訳（メタデータ） (2024-01-05T08:37:57Z)
• Sample Complexity of Preference-Based Nonparametric Off-Policy Evaluation with Deep Networks [58.469818546042696]
  我々は、OPEのサンプル効率を人間の好みで研究し、その統計的保証を確立する。 ReLUネットワークのサイズを適切に選択することにより、マルコフ決定過程において任意の低次元多様体構造を活用できることが示される。
  論文  参考訳（メタデータ） (2023-10-16T16:27:06Z)
• Personalized Federated Learning with Feature Alignment and Classifier Collaboration [13.320381377599245]
  データの不均一性は、フェデレートラーニングにおける最も難しい問題の1つです。 ディープニューラルネットワークベースのタスクにおけるそのようなアプローチの1つは、共有された特徴表現を採用し、クライアントごとにカスタマイズされた分類子ヘッドを学ぶことである。 本研究では,グローバルなセマンティックな知識を活用して,より優れた表現を学習することで,ローカル・グローバルな特徴アライメントを実現する。
  論文  参考訳（メタデータ） (2023-06-20T19:58:58Z)
• GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
  GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。 我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T14:58:27Z)
• Fairness meets Cross-Domain Learning: a new perspective on Models and Metrics [80.07271410743806]
  クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。 いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。 本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
  論文  参考訳（メタデータ） (2023-03-25T09:34:05Z)
• Uncertainty Estimation for Language Reward Models [5.33024001730262]
  言語モデルは、テキストコーパスの教師なしトレーニングからさまざまな能力を学ぶことができる。 人間がラベル付きデータを提供するよりも選択肢を選択する方が簡単であり、事前の作業はそのような選好比較から報酬モデルをトレーニングすることで最先端のパフォーマンスを達成した。 能動的学習とリスク-逆強化学習を用いてサンプル効率とロバスト性を向上させる不確実性推定によるこれらの問題に対処することを模索する。
  論文  参考訳（メタデータ） (2022-03-14T20:13:21Z)
• Multitask Learning and Bandits via Robust Statistics [3.103098467546532]
  意思決定者は、しばしば多くの関連するが不均一な学習問題に直面している。 本稿では,この構造をサンプル効率良く活用する2段階マルチタスク学習推定器を提案する。 我々の推定器は、一般的な失業推定器と比較して、特徴次元$d$のサンプル複雑性境界を改善した。
  論文  参考訳（メタデータ） (2021-12-28T17:37:08Z)
• Learning from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
  本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
  論文  参考訳（メタデータ） (2021-12-17T12:47:18Z)
• Unsatisfied Today, Satisfied Tomorrow: a simulation framework for performance evaluation of crowdsourcing-based network monitoring [68.8204255655161]
  本稿では, 性能の低い細胞の検出品質を評価するための実験フレームワークを提案する。 このフレームワークは、満足度調査のプロセスとユーザの満足度予測の両方をシミュレートする。 シミュレーションフレームワークを用いて、一般的なシナリオにおいて、性能の低いサイト検出の性能を実証的にテストする。
  論文  参考訳（メタデータ） (2020-10-30T10:03:48Z)

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。