Fugu-MT 論文翻訳(概要): A Generalized Doubly Robust Learning Framework for Debiasing Post-Click Conversion Rate Prediction

論文の概要: A Generalized Doubly Robust Learning Framework for Debiasing Post-Click Conversion Rate Prediction

arxiv url: http://arxiv.org/abs/2211.06684v1
Date: Sat, 12 Nov 2022 15:09:23 GMT
ステータス: 処理完了
システム内更新日: 2022-11-15 18:58:41.196346
Title: A Generalized Doubly Robust Learning Framework for Debiasing Post-Click Conversion Rate Prediction
Title（参考訳）: クリック後変換率予測の曖昧化のための一般化二重ロバスト学習フレームワーク
Authors: Quanyu Dai, Haoxuan Li, Peng Wu, Zhenhua Dong, Xiao-Hua Zhou, Rui Zhang, Rui zhang, Jie Sun
Abstract要約: クリック後変換率(CVR)予測は、ユーザの興味を見つけ、プラットフォーム収益を増やすための重要なタスクである。現在、Doublely robust(DR)学習アプローチは、CVR予測を損なうための最先端のパフォーマンスを実現している。本稿では,DR損失のバイアスを制御し,バイアスと分散を柔軟にバランスするDR-BIASとDR-MSEの2つの新しいDR手法を提案する。
参考スコア（独自算出の注目度）: 23.340584290411208
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Post-click conversion rate (CVR) prediction is an essential task for discovering user interests and increasing platform revenues in a range of industrial applications. One of the most challenging problems of this task is the existence of severe selection bias caused by the inherent self-selection behavior of users and the item selection process of systems. Currently, doubly robust (DR) learning approaches achieve the state-of-the-art performance for debiasing CVR prediction. However, in this paper, by theoretically analyzing the bias, variance and generalization bounds of DR methods, we find that existing DR approaches may have poor generalization caused by inaccurate estimation of propensity scores and imputation errors, which often occur in practice. Motivated by such analysis, we propose a generalized learning framework that not only unifies existing DR methods, but also provides a valuable opportunity to develop a series of new debiasing techniques to accommodate different application scenarios. Based on the framework, we propose two new DR methods, namely DR-BIAS and DR-MSE. DR-BIAS directly controls the bias of DR loss, while DR-MSE balances the bias and variance flexibly, which achieves better generalization performance. In addition, we propose a novel tri-level joint learning optimization method for DR-MSE in CVR prediction, and an efficient training algorithm correspondingly. We conduct extensive experiments on both real-world and semi-synthetic datasets, which validate the effectiveness of our proposed methods.
Abstract（参考訳）: クリック後変換率(CVR)予測は,幅広い産業アプリケーションにおいて,ユーザの関心事発見とプラットフォーム収益の増大に不可欠な課題である。このタスクの最も困難な問題の1つは、ユーザの固有の自己選択行動とシステムの項目選択プロセスによって引き起こされる厳密な選択バイアスの存在である。現在、Doublely robust(DR)学習アプローチは、CVR予測を損なうための最先端のパフォーマンスを実現する。しかし,本論文では,DR手法の偏り,分散,一般化境界を理論的に解析することにより,従来のDR手法では,不正確な正当性スコア推定や計算誤差による一般化が不十分である可能性が示唆された。このような分析により、既存のDRメソッドを統一するだけでなく、異なるアプリケーションシナリオに対応する一連の新しいデバイアス手法を開発するための貴重な機会を提供する、汎用的な学習フレームワークを提案する。本フレームワークでは,DR-BIASとDR-MSEという2つの新しいDR手法を提案する。 DR-BIASはDR損失のバイアスを直接制御し、DR-MSEはバイアスと分散を柔軟にバランスさせ、より優れた一般化性能を実現する。さらに,CVR予測におけるDR-MSEの3段階共同学習最適化手法と,それに対応する効率的な学習アルゴリズムを提案する。提案手法の有効性を検証するために,実世界データと半合成データの両方について広範な実験を行った。

関連論文リスト

Revisiting Reciprocal Recommender Systems: Metrics, Formulation, and Method [60.364834418531366]
RRSの性能を包括的かつ正確に評価する5つの新しい評価指標を提案する。因果的観点からRSを定式化し、二元的介入として勧告を定式化する。提案手法では,結果の一致を最大化する手法を提案する。
論文参考訳（メタデータ） (2024-08-19T07:21:02Z)
Improve ROI with Causal Learning and Conformal Prediction [8.430828492374072]
本研究は,各種産業におけるコスト対応二元処理割り当て問題(C-B)について考察する。最先端の直接ROI予測(TAP)手法に焦点を当てている。これらの課題に対処することは、さまざまな運用状況における信頼性と堅牢な予測を保証するために不可欠である。
論文参考訳（メタデータ） (2024-07-01T08:16:25Z)
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)
DRAUC: An Instance-wise Distributionally Robust AUC Optimization Framework [133.26230331320963]
ROC曲線のエリア(AUC)は、長い尾の分類のシナリオにおいて広く用いられている指標である。本研究では,分散ロバストAUC(DRAUC)のインスタンスワイドサロゲート損失を提案し,その上に最適化フレームワークを構築した。
論文参考訳（メタデータ） (2023-11-06T12:15:57Z)
Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文参考訳（メタデータ） (2023-02-22T14:50:24Z)
How to Train Your DRAGON: Diverse Augmentation Towards Generalizable Dense Retrieval [80.54532535622988]
教師付き検索とゼロショット検索の両方において高い精度を達成するために、一般化可能な高密度検索を訓練できることが示される。多様な拡張で訓練された高密度レトリバーであるDRAGONは、教師付きおよびゼロショット評価の両方において最先端の有効性を実現する最初のBERTベースサイズのDRである。
論文参考訳（メタデータ） (2023-02-15T03:53:26Z)
Multiple Robust Learning for Recommendation [13.06593469196849]
推薦システムでは、収集されたデータに様々なバイアスが存在することが一般的な問題である。本稿では,不偏性を実現するために,複数の候補計算モデルと確率モデルを利用するマルチロバスト (MR) 推定器を提案する。
論文参考訳（メタデータ） (2022-07-09T13:15:56Z)
Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文参考訳（メタデータ） (2022-04-13T12:43:12Z)
Doubly Robust Collaborative Targeted Learning for Recommendation on Data Missing Not at Random [6.563595953273317]
推薦システムでは、受信したフィードバックデータが常にランダムではない(MNAR)。本稿では,エラー計算(EIB)法と二重頑健(DR)法の両方の利点を効果的に捉えるbf DR-TMLEを提案する。我々はまた、bf DR-TMLE-TLと呼ばれるDR-TMLEのための新しいRCT非協調目標学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-03-19T06:48:50Z)
Generalized Real-World Super-Resolution through Adversarial Robustness [107.02188934602802]
本稿では,実世界のSRに取り組むために,敵攻撃の一般化能力を活用したロバスト超解法を提案する。我々の新しいフレームワークは、現実世界のSR手法の開発においてパラダイムシフトをもたらす。単一のロバストモデルを使用することで、実世界のベンチマークで最先端の特殊な手法より優れています。
論文参考訳（メタデータ） (2021-08-25T22:43:20Z)
Enhanced Doubly Robust Learning for Debiasing Post-click Conversion Rate Estimation [29.27760413892272]
クリック後の変換は、ユーザの好みを示す強いシグナルであり、レコメンデーションシステムを構築する上で有益である。現在、ほとんどの既存の手法は、対実学習を利用してレコメンデーションシステムを破壊している。本稿では,MRDR推定のための新しい二重学習手法を提案し,誤差計算を一般的なCVR推定に変換する。
論文参考訳（メタデータ） (2021-05-28T06:59:49Z)

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。