論文の概要: CausalMTA: Eliminating the User Confounding Bias for Causal Multi-touch Attribution

• arxiv url: http://arxiv.org/abs/2201.00689v1
• Date: Tue, 21 Dec 2021 01:59:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-09 16:10:40.160488
• Title: CausalMTA: Eliminating the User Confounding Bias for Causal Multi-touch Attribution
• Title（参考訳）: CausalMTA: Causal Multi-touch Attribution のユーザコンバウンディングバイアスの除去
• Authors: Di Yao, Chang Gong, Lei Zhang, Sheng Chen, Jingping Bi
• Abstract要約: ユーザの好みの影響を排除するために,CausalMTAを提案する。 CaulMTAは最先端手法よりも優れた予測性能を実現する。 また、異なる広告チャンネル間で有意義な属性クレジットを生成する。
• 参考スコア（独自算出の注目度）: 16.854552780506822
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-touch attribution (MTA), aiming to estimate the contribution of each advertisement touchpoint in conversion journeys, is essential for budget allocation and automatically advertising. Existing methods first train a model to predict the conversion probability of the advertisement journeys with historical data and calculate the attribution of each touchpoint using counterfactual predictions. An assumption of these works is the conversion prediction model is unbiased, i.e., it can give accurate predictions on any randomly assigned journey, including both the factual and counterfactual ones. Nevertheless, this assumption does not always hold as the exposed advertisements are recommended according to user preferences. This confounding bias of users would lead to an out-of-distribution (OOD) problem in the counterfactual prediction and cause concept drift in attribution. In this paper, we define the causal MTA task and propose CausalMTA to eliminate the influence of user preferences. It systemically eliminates the confounding bias from both static and dynamic preferences to learn the conversion prediction model using historical data. We also provide a theoretical analysis to prove CausalMTA can learn an unbiased prediction model with sufficient data. Extensive experiments on both public datasets and the impression data in an e-commerce company show that CausalMTA not only achieves better prediction performance than the state-of-the-art method but also generates meaningful attribution credits across different advertising channels.
• Abstract（参考訳）: MTA(Multi-touch Attribution)は,転換旅行における各広告タッチポイントの貢献を推定することを目的として,予算配分と自動広告に不可欠である。 既存の方法は、まず、過去のデータを用いて広告旅行の変換確率を予測するモデルを訓練し、反実予測を用いて各タッチポイントの属性を算出する。 これらの研究の前提は、変換予測モデルは偏りがなく、事実と反事実の両方を含む任意のランダムに割り当てられた旅の正確な予測を与えることができる、ということである。 それでも、露出広告がユーザの好みに応じて推奨されるため、この仮定は必ずしも成り立たない。 このユーザの矛盾したバイアスは、反ファクトの予測におけるアウト・オブ・ディストリビューション(OOD)の問題を引き起こし、帰属の概念の漂流を引き起こす。 本稿では,因果的MTAタスクを定義し,ユーザ嗜好の影響を排除するためにCausalMTAを提案する。 静的な選好と動的選好の両方から構築されるバイアスを体系的に排除し、履歴データを用いて変換予測モデルを学ぶ。 また、CausalMTAが十分なデータでバイアスのない予測モデルを学習できることを証明する理論的解析も提供する。 電子商取引会社における公開データセットと印象データの両方に関する大規模な実験は、CausalMTAが最先端の手法よりも優れた予測性能を達成するだけでなく、異なる広告チャンネル間で有意義な帰属クレジットを生成することを示している。

関連論文リスト

• Editable Fairness: Fine-Grained Bias Mitigation in Language Models [52.66450426729818]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• Debiased Recommendation with Noisy Feedback [41.38490962524047]
  収集データ中のMNARとOMEから予測モデルの非バイアス学習に対する交差点脅威について検討する。 まず, OME-EIB, OME-IPS, OME-DR推定器を設計する。
  論文  参考訳（メタデータ） (2024-06-24T23:42:18Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• DCRMTA: Unbiased Causal Representation for Multi-touch Attribution [0.2417342411475111]
  MTA(Multi-touch Attribution)は、現在、各広告の変換行動に対する貢献を公平に評価する上で重要な役割を担っている。 これまでの研究は、利用者の好みに起因したバイアスを排除し、変換モデルのバイアスのない仮定を達成しようと試みてきた。 本稿では、ユーザ特徴がコンバージョンに与える影響を再定義し、MTAのための新しいエンドツーエンドのap-proachであるDeep Causal Representationを提案する。
  論文  参考訳（メタデータ） (2024-01-16T23:16:18Z)
• Debiasing Multimodal Models via Causal Information Minimization [65.23982806840182]
  我々は、マルチモーダルデータのための因果グラフにおいて、共同創設者から生じるバイアスを研究する。 ロバストな予測機能は、モデルがアウト・オブ・ディストリビューションデータに一般化するのに役立つ多様な情報を含んでいる。 これらの特徴を共同設立者表現として使用し、因果理論によって動機づけられた手法を用いてモデルからバイアスを取り除く。
  論文  参考訳（メタデータ） (2023-11-28T16:46:14Z)
• Fast Model Debias with Machine Unlearning [54.32026474971696]
  ディープニューラルネットワークは多くの現実世界のシナリオでバイアスのある振る舞いをする。 既存のデバイアス法は、バイアスラベルやモデル再トレーニングのコストが高い。 バイアスを特定し,評価し,除去するための効率的なアプローチを提供する高速モデル脱バイアスフレームワーク(FMD)を提案する。
  論文  参考訳（メタデータ） (2023-10-19T08:10:57Z)
• Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
  公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。 カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。 本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
  論文  参考訳（メタデータ） (2023-07-17T04:08:29Z)
• Simultaneous Improvement of ML Model Fairness and Performance by Identifying Bias in Data [1.76179873429447]
  トレーニング前にデータセットから削除すべき特定の種類のバイアスを記述したインスタンスを検出できるデータ前処理手法を提案する。 特に、類似した特徴を持つインスタンスが存在するが、保護属性の変動に起因するラベルが異なる問題設定では、固有のバイアスがデータセット内で引き起こされる、と主張する。
  論文  参考訳（メタデータ） (2022-10-24T13:04:07Z)
• Prisoners of Their Own Devices: How Models Induce Data Bias in Performative Prediction [4.874780144224057]
  偏見のあるモデルは、社会の特定のグループに不均等に害を与える決定を下すことができる。 多くの作業は静的ML環境での不公平さを測定することに費やされているが、動的でパフォーマンスのよい予測は行っていない。 本稿では,データのバイアスを特徴付ける分類法を提案する。
  論文  参考訳（メタデータ） (2022-06-27T10:56:04Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)

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。