論文の概要: Addressing Distribution Shift in RTB Markets via Exponential Tilting
- arxiv url: http://arxiv.org/abs/2308.07424v1
- Date: Mon, 14 Aug 2023 19:31:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 15:00:18.587159
- Title: Addressing Distribution Shift in RTB Markets via Exponential Tilting
- Title(参考訳): 指数的傾きによるrtb市場の分布変化への対応
- Authors: Minji Kim, Seong Jin Lee, Bumsik Kim
- Abstract要約: 本稿では,データ分散シフトに対処するExTRAアルゴリズムを提案する。
この手法の顕著な利点は、ラベル付きソースデータとラベルなしターゲットデータを使って操作できることである。
実世界のシミュレーションデータを用いて,分布変化の性質を調査し,提案モデルの適用性を評価する。
- 参考スコア(独自算出の注目度): 2.883257292731477
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Distribution shift in machine learning models can be a primary cause of
performance degradation. This paper delves into the characteristics of these
shifts, primarily motivated by Real-Time Bidding (RTB) market models. We
emphasize the challenges posed by class imbalance and sample selection bias,
both potent instigators of distribution shifts. This paper introduces the
Exponential Tilt Reweighting Alignment (ExTRA) algorithm, as proposed by Marty
et al. (2023), to address distribution shifts in data. The ExTRA method is
designed to determine the importance weights on the source data, aiming to
minimize the KL divergence between the weighted source and target datasets. A
notable advantage of this method is its ability to operate using labeled source
data and unlabeled target data. Through simulated real-world data, we
investigate the nature of distribution shift and evaluate the applicacy of the
proposed model.
- Abstract(参考訳): 機械学習モデルにおける分散シフトは、パフォーマンス劣化の主な原因である。
本稿では,RTB(Real-Time Bidding)市場モデルを中心に,これらのシフトの特徴を考察する。
我々は,クラス不均衡とサンプル選択バイアスによって引き起こされる課題を強調した。
本稿では,データ分散シフトに対応するために,Marty et al. (2023) が提案した Exponential Tilt Reweighting Alignment (ExTRA) アルゴリズムを提案する。
ExTRA法は、重み付きソースとターゲットデータセット間のKLばらつきを最小限に抑え、ソースデータに対する重み付けの重要度を決定するように設計されている。
この手法の顕著な利点は、ラベル付きソースデータとラベルなしターゲットデータを使って操作できることである。
実世界のシミュレーションデータを用いて分布シフトの性質を調査し,提案モデルの適用性を評価する。
関連論文リスト
- Dr. FERMI: A Stochastic Distributionally Robust Fair Empirical Risk
Minimization Framework [12.734559823650887]
分散シフトが存在する場合、公正な機械学習モデルはテストデータに対して不公平に振る舞うことがある。
既存のアルゴリズムはデータへの完全なアクセスを必要とし、小さなバッチを使用する場合には使用できない。
本稿では,因果グラフの知識を必要としない収束保証付き分布安定度フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-20T23:25:28Z) - Chasing Fairness Under Distribution Shift: A Model Weight Perturbation
Approach [72.19525160912943]
まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。
次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。
これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
論文 参考訳(メタデータ) (2023-03-06T17:19:23Z) - A data variation robust learning model based on importance sampling [11.285259001286978]
本稿では,分散逸脱の制約下での損失の最悪のケースを最小限に抑える学習問題に対して,重要サンプリングに基づくデータ変動ロバスト損失(ISloss)を提案する。
提案手法は, 分布変化が大きい場合, 頑健であることを示す。
論文 参考訳(メタデータ) (2023-02-09T04:50:06Z) - Certifying Model Accuracy under Distribution Shifts [151.67113334248464]
本稿では,データ分布の有界ワッサースタインシフトの下でのモデルの精度について,証明可能なロバスト性保証を提案する。
変換空間におけるモデルの入力をランダム化する単純な手順は、変換の下での分布シフトに対して確実に堅牢であることを示す。
論文 参考訳(メタデータ) (2022-01-28T22:03:50Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - Predicting with Confidence on Unseen Distributions [90.68414180153897]
ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。
分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。
具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
論文 参考訳(メタデータ) (2021-07-07T15:50:18Z) - Robust Generalization despite Distribution Shift via Minimum
Discriminating Information [46.164498176119665]
我々は、トレーニングデータに加えて、シフトしたテスト分布に関する部分的な構造的知識を持つモデリングフレームワークを導入する。
我々は、利用可能な事前知識を埋め込むために、最小限の識別情報の原則を用いる。
未知のシフト分布に関する明示的な一般化境界を得る。
論文 参考訳(メタデータ) (2021-06-08T15:25:35Z) - WILDS: A Benchmark of in-the-Wild Distribution Shifts [157.53410583509924]
分散シフトは、ワイルドにデプロイされた機械学習システムの精度を実質的に低下させることができる。
分散シフトの多様な範囲を反映した8つのベンチマークデータセットのキュレーションコレクションであるWILDSを紹介します。
本研究は, 標準訓練の結果, 分布性能よりも, 分布域外性能が有意に低下することを示す。
論文 参考訳(メタデータ) (2020-12-14T11:14:56Z) - BREEDS: Benchmarks for Subpopulation Shift [98.90314444545204]
本研究では,人口変動に対するモデルのロバスト性を評価する手法を開発した。
既存のデータセットの基盤となるクラス構造を利用して、トレーニングとテストの分散を構成するデータサブポピュレーションを制御する。
この手法をImageNetデータセットに適用し、様々な粒度のサブポピュレーションシフトベンチマークスイートを作成する。
論文 参考訳(メタデータ) (2020-08-11T17:04:47Z)
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。