Fugu-MT 論文翻訳(概要): Dichotomic Pattern Mining with Applications to Intent Prediction from Semi-Structured Clickstream Datasets

論文の概要: Dichotomic Pattern Mining with Applications to Intent Prediction from Semi-Structured Clickstream Datasets

arxiv url: http://arxiv.org/abs/2201.09178v1
Date: Sun, 23 Jan 2022 05:00:50 GMT
ステータス: 処理完了
システム内更新日: 2022-01-25 14:31:46.640998
Title: Dichotomic Pattern Mining with Applications to Intent Prediction from Semi-Structured Clickstream Datasets
Title（参考訳）: ダイコトミックパターンマイニングと半構造化クリックストリームデータセットからのインテント予測への応用
Authors: Xin Wang, Serdar Kadioglu
Abstract要約: 半構造化データセット上で動作するパターンマイニングフレームワークを提案する。パターン埋め込みは、半構造化データと機械学習モデルの間のインテグレータの役割を担っていることを示す。
参考スコア（独自算出の注目度）: 10.76469643992931
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We introduce a pattern mining framework that operates on semi-structured datasets and exploits the dichotomy between outcomes. Our approach takes advantage of constraint reasoning to find sequential patterns that occur frequently and exhibit desired properties. This allows the creation of novel pattern embeddings that are useful for knowledge extraction and predictive modeling. Finally, we present an application on customer intent prediction from digital clickstream data. Overall, we show that pattern embeddings play an integrator role between semi-structured data and machine learning models, improve the performance of the downstream task and retain interpretability.
Abstract（参考訳）: 半構造化データセット上で動作し,結果間の二分法を利用するパターンマイニングフレームワークを提案する。本手法は制約推論を活用し,頻繁に発生する逐次パターンを見つけ,望ましい特性を示す。これにより、知識抽出や予測モデリングに有用な新しいパターン埋め込みを作成することができる。最後に,デジタルクリックストリームデータから顧客意図予測に関するアプリケーションを提案する。全体として、パターン埋め込みは半構造化データと機械学習モデルの間の積分子の役割を担い、下流タスクの性能を改善し、解釈可能性を維持する。

関連論文リスト

A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
論文参考訳（メタデータ） (2024-11-20T20:38:56Z)
Hierarchical Blockmodelling for Knowledge Graphs [0.5530212768657544]
知識グラフ上の階層的なエンティティクラスタリングのためにブロックモデルを使用します。 Nested Chinese Restaurant ProcessとStick Breaking Processを生成モデルに統合することで、階層的なクラスタリングの誘導が可能になる。我々は、合成および実世界のデータセット上でモデルを評価し、ベンチマークモデルと定量的に比較した。
論文参考訳（メタデータ） (2024-08-28T09:04:15Z)
Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-12-22T02:12:08Z)
Ensemble Modeling for Multimodal Visual Action Recognition [50.38638300332429]
マルチモーダル動作認識のためのアンサンブルモデリング手法を提案する。我々は,MECCANO[21]データセットの長期分布を処理するために,焦点損失の変種を用いて,個別のモダリティモデルを個別に訓練する。
論文参考訳（メタデータ） (2023-08-10T08:43:20Z)
Efficient Model Selection for Predictive Pattern Mining Model by Safe Pattern Pruning [14.892080531048956]
予測パターンマイニングにおけるパターン番号の爆発に対処するために,安全パターンパニング法(SPP)を提案する。提案手法の有効性を実証するために,集合,グラフ,シーケンスを含む回帰および分類問題に関する数値実験を行った。
論文参考訳（メタデータ） (2023-06-23T15:34:20Z)
EAMDrift: An interpretable self retrain model for time series [0.0]
EAMDrift(EAMDrift)は、複数の個人予測器から予測を合成し、性能指標に従って予測を重み付けする新しい手法である。 EAMDriftはデータのアウト・オブ・ディストリビューションパターンに自動的に適応し、各瞬間に使用する最も適切なモデルを特定するように設計されている。本研究は,EAMDriftが個々のベースラインモデルより20%優れ,非解釈可能なアンサンブルモデルに匹敵する精度が得られることを示す。
論文参考訳（メタデータ） (2023-05-31T13:25:26Z)
Online learning techniques for prediction of temporal tabular datasets with regime changes [0.0]
時間パネルデータセットの予測をランキングするモジュール型機械学習パイプラインを提案する。パイプラインのモジュラリティにより、GBDT(Gradient Boosting Decision Tree)やニューラルネットワークなど、さまざまなモデルの使用が可能になる。モデルの再トレーニングを必要としないオンライン学習技術は、予測後の結果を高めるために使用することができる。
論文参考訳（メタデータ） (2022-12-30T17:19:00Z)
Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
論文参考訳（メタデータ） (2022-06-29T07:49:48Z)
A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文参考訳（メタデータ） (2022-06-17T08:32:43Z)
On Learning Prediction-Focused Mixtures [30.338543175315507]
本稿では、予測タスクに関連する次元を自動的に選択する混合物の予測中心モデルを提案する。提案手法は,入力からの関連信号を特定し,予測に焦点を絞らず,最適化が容易なモデルより優れている。
論文参考訳（メタデータ） (2021-10-25T19:14:36Z)
Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文参考訳（メタデータ） (2021-10-09T09:02:45Z)

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。