論文の概要: Optimal Targeting in Fundraising: A Machine Learning Approach
- arxiv url: http://arxiv.org/abs/2103.10251v1
- Date: Wed, 10 Mar 2021 23:06:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 01:02:26.912264
- Title: Optimal Targeting in Fundraising: A Machine Learning Approach
- Title(参考訳): 資金調達における最適ターゲット:機械学習アプローチ
- Authors: Tobias Cagala, Ulrich Glogowsky, Johannes Rincke, Anthony Strittmatter
- Abstract要約: 本論文では、資金調達効果を高める手段として最適なターゲティングを検討する。
無条件の贈り物をランダムに提供し、因果的機械学習技術を使用して、予測されたネットドナーにこの資金調達ツールを「最適」にターゲットします。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper studies optimal targeting as a means to increase fundraising
efficacy. We randomly provide potential donors with an unconditional gift and
use causal-machine learning techniques to "optimally" target this fundraising
tool to the predicted net donors: individuals who, in expectation, give more
than their solicitation costs. With this strategy, our fundraiser avoids lossy
solicitations, significantly boosts available funds, and, consequently, can
increase service and goods provision. Further, to realize these gains, the
charity can merely rely on readily available data. We conclude that charities
that refrain from fundraising targeting waste significant resources.
- Abstract(参考訳): 本稿では,資金調達効果を高める手段として,最適ターゲティングについて検討する。
我々は無条件ギフトで潜在的ドナーをランダムに提供し、因果機械学習技術を用いて、この資金集めツールを予測されたネットドナーに"最適"にターゲットする。
この戦略により、我々の募金活動は損失を回避し、利用可能な資金を大幅に増やし、その結果、サービスと商品の供給を増やすことができる。
さらに、これらの利益を実現するために、慈善団体は簡単に利用できるデータに頼るだけでよい。
無駄な資源をターゲットとした資金調達を控える慈善団体を結論づける。
関連論文リスト
- Efficient Public Health Intervention Planning Using Decomposition-Based
Decision-Focused Learning [33.14258196945301]
介入計画の高速化のために、レスレスマルチアーマッドバンド(RMAB)の構造を利用する方法を示す。
私たちはインドのNGOであるARMMANの実際のデータを使って、我々のアプローチが最先端のアプローチよりも最大2桁高速であることを示す。
論文 参考訳(メタデータ) (2024-03-08T21:31:00Z) - Dense Reward for Free in Reinforcement Learning from Human Feedback [64.92448888346125]
我々は報酬モデルが単にスカラー出力よりも多くの情報を含んでいるという事実を活用している。
私たちは、これらの注意重みを使って、完了全体に沿って報酬を再分配します。
経験的に、トレーニングを安定化し、学習速度を加速し、実際は、より良い局所最適性をもたらす可能性があることを示す。
論文 参考訳(メタデータ) (2024-02-01T17:10:35Z) - Market Responses to Genuine Versus Strategic Generosity: An Empirical
Examination of NFT Charity Fundraisers [15.310650714527602]
非Fungible token (NFT) 慈善基金は、芸術作品のNFTの販売と、慈善事業に寄付された収益を含んでいる。
我々は、寄付者の後の市場成果に対する慈善募金者内のNFT購入の因果関係について検討する。
我々は、NFTの「リクルーター」が、他のNFTリスティングで命令できる価格の観点から、市場で重要な罰則を経験していることを示します。
論文 参考訳(メタデータ) (2024-01-22T15:58:47Z) - A Latent Dirichlet Allocation (LDA) Semantic Text Analytics Approach to
Explore Topical Features in Charity Crowdfunding Campaigns [0.6298586521165193]
本研究では、LDA(Latent Dirichlet Allocation)を用いて、チャリティキャンペーンのテキスト記述から潜在テーマを抽出する、革新的テキスト分析フレームワークを提案する。
この研究は4つの異なるテーマを探求し、それぞれ2つのキャンペーンとインセンティブの説明を行った。
この研究はランダムフォレストを用いて、主題的パラメータと数値的パラメータの両方を用いてキャンペーンの成功を予測することに成功した。
論文 参考訳(メタデータ) (2024-01-03T09:17:46Z) - A predict-and-optimize approach to profit-driven churn prevention [1.03590082373586]
我々は,留保キャンペーンを顧客をターゲットとするタスクを,後悔の最小化問題として検討する。
提案手法は予測最適化(PnO)フレームワークのガイドラインと一致し,勾配降下法を用いて効率的に解ける。
結果は,他の確立した戦略と比較して,平均利益率で最高の平均性能を達成するアプローチの有効性を裏付けるものである。
論文 参考訳(メタデータ) (2023-10-10T22:21:16Z) - Basis for Intentions: Efficient Inverse Reinforcement Learning using
Past Experience [89.30876995059168]
逆強化学習(IRL) - エージェントの報酬関数をその振る舞いを観察することから推測する。
本稿では、エージェントの報酬関数を観察することのできないIRLの問題に対処する。
論文 参考訳(メタデータ) (2022-08-09T17:29:49Z) - SURF: Semi-supervised Reward Learning with Data Augmentation for
Feedback-efficient Preference-based Reinforcement Learning [168.89470249446023]
我々は、大量のラベルなしサンプルとデータ拡張を利用する半教師付き報酬学習フレームワークSURFを提案する。
報奨学習にラベルのないサンプルを活用するために,選好予測器の信頼性に基づいてラベルのないサンプルの擬似ラベルを推定する。
本実験は, ロボット操作作業における嗜好に基づく手法のフィードバック効率を有意に向上させることを実証した。
論文 参考訳(メタデータ) (2022-03-18T16:50:38Z) - Inferring Lexicographically-Ordered Rewards from Preferences [82.42854687952115]
本稿では,エージェントの観察された嗜好の多目的報酬に基づく表現を推定する手法を提案する。
我々は,異なる目的に対するエージェントの優先順位を語彙的入力としてモデル化することにより,エージェントがより高い優先順位を持つ目的に対して無関心である場合に限って,より低い優先順位を持つ目的が重要となるようにした。
論文 参考訳(メタデータ) (2022-02-21T12:01:41Z) - Combining Reinforcement Learning and Inverse Reinforcement Learning for
Asset Allocation Recommendations [5.515442919147122]
我々のアプローチは、逆強化学習(IRL)とRLの組み合わせに基づいている。
まず、IRLコンポーネントは、トレーディング履歴から示唆されたファンドマネジャーの意図を学習し、インプリッド報酬機能を回復する。
2番目のステップでは、アセット割り当て決定を最適化するために直接RLアルゴリズムによってこの報酬関数が使用される。
論文 参考訳(メタデータ) (2022-01-06T00:08:17Z) - Fairness, Welfare, and Equity in Personalized Pricing [88.9134799076718]
顧客特性に基づくパーソナライズ価格における公平性、福祉、株式の配慮の相互作用について検討する。
選択ワクチンの価格補助金と、マイクロクレジットの下流結果に対するパーソナライズされた利率の影響の2つの設定において、パーソナライズされた価格の潜在的利点を示す。
論文 参考訳(メタデータ) (2020-12-21T01:01:56Z) - Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。
具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。
蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
論文 参考訳(メタデータ) (2020-03-06T06:28:17Z)
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。