論文の概要: Bayesian Sample Size Prediction for Online Activity

• arxiv url: http://arxiv.org/abs/2111.12157v1
• Date: Tue, 23 Nov 2021 21:16:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 14:40:18.349388
• Title: Bayesian Sample Size Prediction for Online Activity
• Title（参考訳）: オンライン活動のためのベイズサンプルサイズ予測
• Authors: Thomas Richardson, Yu Liu, James McQueen, Doug Hains
• Abstract要約: 特定の期間に特定の活動を開始する集団の個体数を予測することは有用である。 本稿では,その後の期間に参加する追加の個人数を予測するための,単純だが新しいベイズ的手法を提案する。
• 参考スコア（独自算出の注目度）: 5.685803049176655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many contexts it is useful to predict the number of individuals in some population who will initiate a particular activity during a given period. For example, the number of users who will install a software update, the number of customers who will use a new feature on a website or who will participate in an A/B test. In practical settings, there is heterogeneity amongst individuals with regard to the distribution of time until they will initiate. For these reasons it is inappropriate to assume that the number of new individuals observed on successive days will be identically distributed. Given observations on the number of unique users participating in an initial period, we present a simple but novel Bayesian method for predicting the number of additional individuals who will subsequently participate during a subsequent period. We illustrate the performance of the method in predicting sample size in online experimentation.
• Abstract（参考訳）: 多くの文脈において、特定の期間に特定の活動を開始する集団の個体数を予測することは有用である。 例えば、ソフトウェアアップデートをインストールするユーザ数、Webサイトで新機能を使用するユーザ数、あるいはA/Bテストに参加するユーザ数などです。 実践的な設定では、個人が開始するまでの時間分布に関して異質性がある。 これらの理由から、連続した日に観測される新規個体数が同一に分布すると仮定するのは不適切である。 最初の期間に参加するユニークユーザ数についての観察から,その後の期間に参加する追加ユーザ数を予測するための,単純だが斬新なベイズ手法を提案する。 オンライン実験におけるサンプルサイズ予測における手法の性能について述べる。

関連論文リスト

• DOTA: Distributional Test-Time Adaptation of Vision-Language Models [52.98590762456236]
  トレーニングフリーテスト時動的アダプタ(TDA)は、この問題に対処するための有望なアプローチである。 単体テスト時間適応法(Dota)の簡易かつ効果的な方法を提案する。 Dotaは継続的にテストサンプルの分布を推定し、モデルがデプロイメント環境に継続的に適応できるようにします。
  論文  参考訳（メタデータ） (2024-09-28T15:03:28Z)
• New User Event Prediction Through the Lens of Causal Inference [20.676353189313737]
  新規ユーザのための新しい離散イベント予測フレームワークを提案する。 提案手法は,カテゴリを知る必要のない新規ユーザに対して,バイアスのない予測を提供する。 数値シミュレーションと実世界の2つの応用を用いて,提案手法の優れた性能を実証する。
  論文  参考訳（メタデータ） (2024-07-08T05:35:54Z)
• Probabilistic Contrastive Learning for Long-Tailed Visual Recognition [78.70453964041718]
  細長い分布は、少数の少数派が限られた数のサンプルを含む実世界のデータにしばしば現れる。 近年の研究では、教師付きコントラスト学習がデータ不均衡を緩和する有望な可能性を示していることが明らかになっている。 本稿では,特徴空間の各クラスからのサンプルデータ分布を推定する確率論的コントラスト学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-11T13:44:49Z)
• Tracking Changing Probabilities via Dynamic Learners [0.18648070031379424]
  非定常性に応答するスパース・マルチクラス移動平均手法をタイムリーに開発する。 1つのテクニックは指数移動平均(EMA)に基づいており、もう1つは数個のスナップショットのキューに基づいている。
  論文  参考訳（メタデータ） (2024-02-15T17:48:58Z)
• Improved prediction of future user activity in online A/B testing [9.824661943331119]
  オンラインランダム化実験やA/Bテストでは、参加者参加率の正確な予測が最も重要である。 我々は、個人が介入に晒される率を予測するために、新しく、単純でスケーラブルなベイズ非パラメトリックアプローチを提案する。
  論文  参考訳（メタデータ） (2024-02-05T17:44:21Z)
• A Nonparametric Bayes Approach to Online Activity Prediction [11.934335703226404]
  特定の期間にアクティブになるユーザ数を予測するための新しい手法を提案する。 所定の期間に期待される新規ユーザ数に対するクローズドフォーム表現と,所望のユーザ数を達成するために必要な日数の後部分布を目標としたモンテカルロアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2024-01-26T09:11:42Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• PinnerFormer: Sequence Modeling for User Representation at Pinterest [60.335384724891746]
  我々は、ユーザの将来的なエンゲージメントを予測するためにトレーニングされたユーザ表現であるPinnerFormerを紹介する。 従来のアプローチとは異なり、新しい密集した全アクション損失を通じて、モデリングをバッチインフラストラクチャに適応させます。 その結果,1日に1回発生するバッチユーザ埋め込みと,ユーザがアクションを行うたびに発生するリアルタイムユーザ埋め込みとの間には,大きなギャップがあることが判明した。
  論文  参考訳（メタデータ） (2022-05-09T18:26:51Z)
• Plinko: A Theory-Free Behavioral Measure of Priors for Statistical Learning and Mental Model Updating [62.997667081978825]
  Plinko(リンク)は,参加者が利用可能なすべての結果に対してボール滴の分布を推定する行動課題である。 対象者は,確率分布の確率分布を中心にクラスタリングし,事前クラスタメンバシップは学習能力を示す可能性があることを示す。 我々は,個々の参加者が信頼できる表現であり,物理的に不可解な球滴分布に直面した場合,学習が阻害されないことを検証した。
  論文  参考訳（メタデータ） (2021-07-23T22:27:30Z)
• Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
  新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。 標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。 原理的に部分観測可能なベイズ的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-09-12T20:37:33Z)
• Characterizing Structural Regularities of Labeled Data in Overparameterized Models [45.956614301397885]
  ディープニューラルネットワークは、共通のパターンや構造を共有するインスタンスをまたいで一般化することができる。 一貫性スコアを用いて、個々のインスタンスがモデルによってどのように扱われるかを分析する。 本稿では,ディープラーニングシステムの解析への潜在的な応用例を示す。
  論文  参考訳（メタデータ） (2020-02-08T17:39:46Z)

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。