論文の概要: LBCF: A Large-Scale Budget-Constrained Causal Forest Algorithm
- arxiv url: http://arxiv.org/abs/2201.12585v1
- Date: Sat, 29 Jan 2022 13:21:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-01 17:14:16.016598
- Title: LBCF: A Large-Scale Budget-Constrained Causal Forest Algorithm
- Title（参考訳）: LBCF:大規模予算制約型因果林アルゴリズム
- Authors: Meng Ai, Biao Li, Heyang Gong, Qingwei Yu, Shengjie Xue, Yuan Zhang,
Yunzhou Zhang, Peng Jiang
- Abstract要約: 予算制約の下で各ユーザに対して適切なインセンティブ(すなわち治療)を選択する方法が重要な研究課題である。
本稿では,大規模予算制約付き因果樹林 (LBCF) アルゴリズムと呼ばれる,予算制約下での新規な木に基づく治療選択手法を提案する。
当社のアプローチは,ユーザのキャンペーンエンゲージメント期間を増やすために,大規模なビデオプラットフォーム上で現実のシナリオに展開する。
- 参考スコア（独自算出の注目度）: 11.82503645248441
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Offering incentives (e.g., coupons at Amazon, discounts at Uber and video
bonuses at Tiktok) to user is a common strategy used by online platforms to
increase user engagement and platform revenue. Despite its proven
effectiveness, these marketing incentives incur an inevitable cost and might
result in a low ROI (Return on Investment) if not used properly. On the other
hand, different users respond differently to these incentives, for instance,
some users never buy certain products without coupons, while others do anyway.
Thus, how to select the right amount of incentives (i.e. treatment) to each
user under budget constraints is an important research problem with great
practical implications. In this paper, we call such problem as a
budget-constrained treatment selection (BTS) problem.
The challenge is how to efficiently solve BTS problem on a Large-Scale
dataset and achieve improved results over the existing techniques. We propose a
novel tree-based treatment selection technique under budget constraints, called
Large-Scale Budget-Constrained Causal Forest (LBCF) algorithm, which is also an
efficient treatment selection algorithm suitable for modern distributed
computing systems. A novel offline evaluation method is also proposed to
overcome an intrinsic challenge in assessing solutions' performance for BTS
problem in randomized control trials (RCT) data. We deploy our approach in a
real-world scenario on a large-scale video platform, where the platform gives
away bonuses in order to increase users' campaign engagement duration. The
simulation analysis, offline and online experiments all show that our method
outperforms various tree-based state-of-the-art baselines. The proposed
approach is currently serving over hundreds of millions of users on the
platform and achieves one of the most tremendous improvements over these
months.
- Abstract（参考訳）: インセンティブ(amazonでのクーポン、uberでの割引、tiktokでのビデオボーナスなど)をユーザーに提供することは、オンラインプラットフォームがユーザーのエンゲージメントとプラットフォーム収益を高めるために使う一般的な戦略である。
効果が証明されているにもかかわらず、これらのマーケティングインセンティブは避けられないコストをもたらし、適切に使用しなければROI(Return on Investment)が低下する可能性がある。
一方、異なるユーザーはこれらのインセンティブに異なる反応をする。例えば、一部のユーザーはクーポンなしで特定の製品を買わない。
したがって、予算制約の下で各ユーザに対して適切なインセンティブ(すなわち治療)を選択する方法は、非常に実用的な意味を持つ重要な研究課題である。
本稿では,このような問題を予算制約治療選択問題(bts)と呼ぶ。
課題は、大規模データセットのBTS問題を効率的に解決し、既存のテクニックよりも改善された結果を実現する方法だ。
本研究では, 予算制約下での新規な木ベース処理選択手法であるlbcfアルゴリズムを提案し, 現代の分散コンピューティングシステムに適した効率的な処理選択アルゴリズムである。
ランダム化制御試験(RCT)データにおけるBTS問題に対するソリューションの性能評価における本質的な課題を克服するために,新しいオフライン評価手法を提案する。
私たちは、このアプローチを大規模なビデオプラットフォームに現実のシナリオで展開し、プラットフォームはユーザのキャンペーン参加期間を増やすためにボーナスを配ります。
シミュレーション解析,オフラインおよびオンライン実験により,本手法は様々な木質ベースラインを上回る性能を示した。
提案されたアプローチは現在、プラットフォーム上で数億人以上のユーザを提供しており、この数ヶ月でもっとも大きな改善の1つを実現している。
関連論文リスト
- Multi-Task Combinatorial Bandits for Budget Allocation [7.52750519688457]
今日のトップ広告主は、通常、数百のキャンペーンを同時に管理し、年間を通じて一貫して新しいキャンペーンをローンチします。
マーケティングマネージャにとって重要な課題は、累積リターンを最大化するために、各キャンペーンにおいて様々な広告ラインで限られた予算を最適に割り当てることである。
本稿では,マルチタスクバンディット問題として予算配分を定式化し,新たなオンライン予算配分システムを提案する。
論文 参考訳（メタデータ） (2024-08-31T23:19:49Z) - Cost-Sensitive Multi-Fidelity Bayesian Optimization with Transfer of Learning Curve Extrapolation [55.75188191403343]
各ユーザが事前に定義した機能であるユーティリティを導入し,BOのコストと性能のトレードオフについて述べる。
このアルゴリズムをLCデータセット上で検証した結果,従来のマルチファイルBOや転送BOベースラインよりも優れていた。
論文 参考訳（メタデータ） (2024-05-28T07:38:39Z) - Optimising Calls to Large Language Models with Uncertainty-Based Two-Tier Selection [80.63946798650653]
決定は、より優れた性能を持つ大型LCMを使うか、より少ないコストで使用するかに重点を置いている。
我々は,LLMの世代間不確実性のみを意思決定基準として,より単純な解を提案する。
実験の結果、この単純な解はコストと性能を最適にバランスさせ、27の試験装置中25の既存手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-05-03T14:38:59Z) - Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。
グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。
我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文 参考訳（メタデータ） (2023-07-31T13:02:36Z) - A Bandit Approach to Online Pricing for Heterogeneous Edge Resource
Allocation [8.089950414444115]
ヘテロジニアスなエッジリソース割り当てのための2つの新しいオンライン価格設定機構が提案されている。
このメカニズムはリアルタイムで動作し、需要分布に関する事前の知識を必要としない。
提案した価格体系では, 利用者が好みのリソースを選択し, 支払うことができ, 観測された履歴データに基づいて動的に資源価格を調整できる。
論文 参考訳（メタデータ） (2023-02-14T10:21:14Z) - An End-to-End Framework for Marketing Effectiveness Optimization under
Budget Constraint [25.89397524825504]
予算制約下でのビジネス目標を直接最適化する新しいエンドツーエンドフレームワークを提案する。
我々の中核となる考え方は、マーケティング目標を表現し、勾配推定技術を用いて効率的に最適化する正規化器を構築することである。
提案手法は現在,ショートビデオプラットフォーム上で数億人のユーザに対して,マーケティング予算を配分するためにデプロイされている。
論文 参考訳（メタデータ） (2023-02-09T07:39:34Z) - Bayesian Optimization Over Iterative Learners with Structured Responses:
A Budget-aware Planning Approach [31.918476422203412]
本稿では,HPO 問題を解決するため,Budget-Aware Planning for Iterative Learningers (BAPI) と呼ばれる新しい手法を提案する。
反復学習者のための多様なHPOベンチマークの実験では、ほとんどの場合、BAPIは最先端のベースラインよりも優れた性能を示している。
論文 参考訳（メタデータ） (2022-06-25T18:44:06Z) - Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions [74.00030431081751]
本稿では,ユーザ固有のコスト関数の概念を定式化し,ユーザのための行動可能なリコースを識別する新しい手法を提案する。
本手法は,強いベースライン法に比べて最大25.89パーセントのユーザを満足させる。
論文 参考訳（メタデータ） (2021-11-01T19:49:35Z) - A Nonmyopic Approach to Cost-Constrained Bayesian Optimization [10.078368988372247]
コスト制約付きBOを制約付きマルコフ決定過程(CMDP)として定式化する。
コストと将来のイテレーションを考慮に入れた最適CMDPポリシーに対する効率的なロールアウト近似を開発する。
論文 参考訳（メタデータ） (2021-06-10T22:44:37Z) - Cost-Efficient Online Hyperparameter Optimization [94.60924644778558]
実験の単一実行でヒトのエキスパートレベルのパフォーマンスに達するオンラインHPOアルゴリズムを提案します。
提案するオンラインhpoアルゴリズムは,実験の1回で人間のエキスパートレベルのパフォーマンスに到達できるが,通常のトレーニングに比べて計算オーバーヘッドは少ない。
論文 参考訳（メタデータ） (2021-01-17T04:55:30Z) - Hierarchical Adaptive Contextual Bandits for Resource Constraint based
Recommendation [49.69139684065241]
コンテキスト多重武装バンディット(MAB)は、様々な問題において最先端のパフォーマンスを達成する。
本稿では,階層型適応型文脈帯域幅法(HATCH)を提案する。
論文 参考訳（メタデータ） (2020-04-02T17:04:52Z)
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。