論文の概要: GCF: Generalized Causal Forest for Heterogeneous Treatment Effect Estimation in Online Marketplace

• arxiv url: http://arxiv.org/abs/2203.10975v1
• Date: Mon, 21 Mar 2022 13:35:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 15:13:52.706658
• Title: GCF: Generalized Causal Forest for Heterogeneous Treatment Effect Estimation in Online Marketplace
• Title（参考訳）: gcf:オンライン市場における異種処理効果推定のための汎用因果林
• Authors: Shu Wan, Chen Zheng, Zhonggen Sun, Mengfan Xu, Xiaoqing Yang, Hongtu Zhu, Jiecheng Guo
• Abstract要約: アップリフトモデリングは、機械学習と因果推論手法を用いて不均一な治療効果を推定する、急速に成長するアプローチである。 非パラメトリック線量応答関数(DRF)をカーネルベースの二重頑健な推定器を用いて局所的に推定できる因果林(CF)を拡張した。 合成および実世界の両方のデータセット上で、一般的なアップリフトモデルと比較することにより、GCFの有効性を示す。
• 参考スコア（独自算出の注目度）: 12.114394141790438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uplift modeling is a rapidly growing approach that utilizes machine learning and causal inference methods to estimate the heterogeneous treatment effects. It has been widely adopted and applied to online marketplaces to assist large-scale decision-making in recent years. The existing popular methods, like forest-based modeling, either work only for discrete treatments or make partially linear or parametric assumptions that may suffer from model misspecification. To alleviate these problems, we extend causal forest (CF) with non-parametric dose-response functions (DRFs) that can be estimated locally using a kernel-based doubly robust estimator. Moreover, we propose a distance-based splitting criterion in the functional space of conditional DRFs to capture the heterogeneity for the continuous treatments. We call the proposed algorithm generalized causal forest (GCF) as it generalizes the use case of CF to a much broader setup. We show the effectiveness of GCF by comparing it to popular uplift modeling models on both synthetic and real-world datasets. We implement GCF in Spark and successfully deploy it into DiDi's real-time pricing system. Online A/B testing results further validate the superiority of GCF.
• Abstract（参考訳）: uplift modelingは、機械学習と因果推論を使って異種治療効果を推定する、急速に成長するアプローチである。 近年、大規模な意思決定を支援するオンラインマーケットプレースに広く採用され、応用されている。 フォレストベースモデリングのような既存の一般的な手法は、離散的な処理にのみ機能するか、モデルの誤特定に苦しむ部分線形あるいはパラメトリックな仮定をする。 これらの問題を緩和するため、カーネルベースの二重ロバスト推定器を用いて局所的に推定可能な非パラメトリック線量応答関数(drfs)を因果森林(cf)に拡張する。 さらに, 連続処理における不均一性を捉えるために, 条件付きDRFの機能空間における距離に基づく分割基準を提案する。 我々は,提案アルゴリズムを一般化因果林(GCF)と呼び,CFのユースケースをより広い設定に一般化する。 合成および実世界の両方のデータセット上で、一般的なアップリフトモデルと比較することにより、GCFの有効性を示す。 私たちはSparkにGCFを実装し、DiDiのリアルタイム価格システムにうまくデプロイしています。 オンラインA/Bテストの結果は、GCFの優位性をさらに検証する。

関連論文リスト

• Rectified Diffusion Guidance for Conditional Generation [62.00207951161297]
  CFGの背後にある理論を再検討し、組合せ係数の不適切な構成(すなわち、広く使われている和対1バージョン)が生成分布の期待シフトをもたらすことを厳密に確認する。 本稿では,誘導係数を緩和したReCFGを提案する。 このようにして、修正された係数は観測されたデータをトラバースすることで容易に事前計算でき、サンプリング速度はほとんど影響を受けない。
  論文  参考訳（メタデータ） (2024-10-24T13:41:32Z)
• 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)
• Model-based Causal Bayesian Optimization [78.120734120667]
  モデルに基づく因果ベイズ最適化(MCBO)を提案する。 MCBOは介入と逆のペアをモデリングするのではなく、完全なシステムモデルを学ぶ。 標準的なベイズ最適化とは異なり、我々の取得関数は閉形式では評価できない。
  論文  参考訳（メタデータ） (2022-11-18T14:28:21Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Diffusion Causal Models for Counterfactual Estimation [18.438307666925425]
  本稿では,観測画像データから因果構造を推定する作業について考察する。 Diff-SCMは,近年の発電エネルギーモデルの発展を基盤とした構造因果モデルである。 Diff-SCMはMNISTデータに基づくベースラインよりも現実的で最小限のデファクトアルを生成しており、ImageNetデータにも適用可能である。
  論文  参考訳（メタデータ） (2022-02-21T12:23:01Z)
• ReLACE: Reinforcement Learning Agent for Counterfactual Explanations of Arbitrary Predictive Models [6.939617874336667]
  本稿では,最適対実的説明を生成するためのモデルに依存しないアルゴリズムを提案する。 本手法は,DRLエージェントが相互作用する環境に類似するため,任意のブラックボックスモデルに容易に適用できる。 さらに,DRLエージェントのポリシーから説明可能な決定ルールを抽出し,CF自体を透過的に生成するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-10-22T17:08:49Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Causal Collaborative Filtering [50.22155187512759]
  Causal Collaborative Filteringは、協調フィルタリングとレコメンデーションにおける因果関係をモデル化するためのフレームワークである。 従来のCFアルゴリズムの多くは、単純化された因果グラフの下で、実際にCCFの特殊なケースであることを示す。 そこで我々は,$do$-operationに対する条件付き介入手法を提案する。
  論文  参考訳（メタデータ） (2021-02-03T04:16:11Z)
• Estimating Linear Mixed Effects Models with Truncated Normally Distributed Random Effects [5.4052819252055055]
  ランダム効果の正規分布を仮定した場合、最大極大アプローチを用いて推論を行うことができる。 本稿では、古典的(制約のない)LMEモデルを拡張し、その全体係数の符号制約を許容する。
  論文  参考訳（メタデータ） (2020-11-09T16:17:35Z)
• Flow Field Reconstructions with GANs based on Radial Basis Functions [19.261773760183196]
  2つの放射状基底関数に基づくGAN(RBF-GANとRBFC-GAN)が回帰と生成のために提案されている。 平均二乗誤差 (MSE) と平均二乗誤差 (MSPE) の両方を用いて, RBF-GAN と RBFC-GAN の性能は GANs/cGAN よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-11T11:45:57Z)

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。