Fugu-MT 論文翻訳(概要): Optimal Targeting in Fundraising: A Machine Learning Approach

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

Reinforcement Learning with LTL and $ω$-Regular Objectives via Optimality-Preserving Translation to Average Rewards [43.816375964005026]
線形時間論理(LTL)およびより一般的には、$omega$-regular objectivesは、強化学習における従来の割引和と平均報酬目的の代替である。我々は,$omega$-regularの目的に対する各RL問題を,最適性保存方式で,平均値の上限値問題に還元できることを示した。
論文参考訳（メタデータ） (2024-10-16T02:42:37Z)
Query Routing for Homogeneous Tools: An Instantiation in the RAG Scenario [62.615210194004106]
ツール学習に関する現在の研究は、主に様々な選択肢から最も効果的なツールを選択することに焦点を当てており、しばしば費用対効果を見落としている。本稿では,タスクの達成に必要な性能と関連するコストの両方を予測し,同種ツールの選択に対処する。
論文参考訳（メタデータ） (2024-06-18T09:24:09Z)
Using Artificial Intelligence to Unlock Crowdfunding Success for Small Businesses [8.226509113718125]
我々は、AI技術の最新の進歩を利用して、クラウドファンディングキャンペーンの成功に影響を及ぼす重要な要因を特定します。ベストパフォーマンスの機械学習モデルは、キャンペーンの81.0%の資金調達結果を正確に予測する。大規模な言語モデルを用いて物語の3つの側面を拡大することにより、キャンペーンは83%の人間評価者にとってより好ましいものとなることを実証する。
論文参考訳（メタデータ） (2024-04-24T20:53:10Z)
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)
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)
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。