論文の概要: Uplift Modeling: from Causal Inference to Personalization
- arxiv url: http://arxiv.org/abs/2308.09066v1
- Date: Thu, 17 Aug 2023 15:54:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-21 16:04:34.194043
- Title: Uplift Modeling: from Causal Inference to Personalization
- Title(参考訳): uplift modeling: 因果推論からパーソナライゼーションへ
- Authors: Felipe Moraes, Hugo Manuel Proen\c{c}a, Anastasiia Kornilova, Javier
Albert, Dmitri Goldenberg
- Abstract要約: アップリフトモデリング(uplift modeling)は、個別またはサブグループレベルでの治療の因果効果を推定する機械学習手法の集合である。
本チュートリアルでは、因果関係の基本的な概念を取り上げ、アップリフトモデリングにおける最先端技術に聴衆を紹介する。
- 参考スコア(独自算出の注目度): 6.754809380950839
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Uplift modeling is a collection of machine learning techniques for estimating
causal effects of a treatment at the individual or subgroup levels. Over the
last years, causality and uplift modeling have become key trends in
personalization at online e-commerce platforms, enabling the selection of the
best treatment for each user in order to maximize the target business metric.
Uplift modeling can be particularly useful for personalized promotional
campaigns, where the potential benefit caused by a promotion needs to be
weighed against the potential costs. In this tutorial we will cover basic
concepts of causality and introduce the audience to state-of-the-art techniques
in uplift modeling. We will discuss the advantages and the limitations of
different approaches and dive into the unique setup of constrained uplift
modeling. Finally, we will present real-life applications and discuss
challenges in implementing these models in production.
- Abstract(参考訳): uplift modelingは、個人またはサブグループレベルで治療の因果効果を推定するための機械学習テクニックのコレクションである。
過去数年間、オンラインeコマースプラットフォームのパーソナライゼーションにおいて因果関係と上昇モデリングが重要なトレンドとなってきており、ターゲットとなるビジネスメトリックを最大化するために、ユーザ毎に最適な治療法を選択することができるようになっている。
昇降モデリングはパーソナライズされたプロモーションキャンペーンに特に有用であり、プロモーションによる潜在的な利益は潜在的なコストに対して考慮する必要がある。
このチュートリアルでは因果関係の基本概念を取り上げ,アップリフトモデリングにおける最新技術を紹介する。
我々は、異なるアプローチの利点と限界について議論し、制約付き昇降モデリングのユニークな設定を掘り下げる。
最後に、実生活アプリケーションを示し、本番環境でこれらのモデルを実装する際の課題について論じる。
関連論文リスト
- Towards Unified Multi-Modal Personalization: Large Vision-Language Models for Generative Recommendation and Beyond [87.1712108247199]
我々の目標は、マルチモーダルパーソナライゼーションシステム(UniMP)のための統一パラダイムを確立することである。
我々は、幅広いパーソナライズされたニーズに対処できる汎用的でパーソナライズされた生成フレームワークを開発する。
我々の手法は、パーソナライズされたタスクのための基礎言語モデルの能力を高める。
論文 参考訳(メタデータ) (2024-03-15T20:21:31Z) - When Parameter-efficient Tuning Meets General-purpose Vision-language
Models [65.19127815275307]
PETALは、一意のモード近似技術によって達成される全パラメータの0.5%しか必要とせず、トレーニングプロセスに革命をもたらす。
実験の結果,PETALは現状の手法をほとんどのシナリオで上回るだけでなく,完全な微調整モデル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) (2023-12-16T17:13:08Z) - A Framework for Monitoring and Retraining Language Models in Real-World
Applications [3.566775910781198]
多くの現実世界のアプリケーションでは、継続的モデル監視とモデル再トレーニングが必要になります。
データやコンセプトドリフトなどの再トレーニングにはさまざまな理由があり、適切なメトリックによって監視されるモデルのパフォーマンスに反映される可能性がある。
マルチラベル分類モデルを用いて, モデル性能や資源利用などの重要な要因に対する各種リトレーニング決定点の影響について検討する。
論文 参考訳(メタデータ) (2023-11-16T14:32:18Z) - Fantastic Gains and Where to Find Them: On the Existence and Prospect of
General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。
このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
論文 参考訳(メタデータ) (2023-10-26T17:59:46Z) - ZooPFL: Exploring Black-box Foundation Models for Personalized Federated
Learning [95.64041188351393]
本稿では,限られた資源とパーソナライゼーションの両課題を解決しようと試みる。
個人化フェデレート学習におけるゼロ階最適化を用いたZOOPFLという手法を提案する。
計算コストの削減とパーソナライゼーションの向上を目的として,低次元およびクライアント固有の埋め込みを持つオートエンコーダを組み込む入力手術を提案する。
論文 参考訳(メタデータ) (2023-10-08T12:26:13Z) - Unleash the Power of Context: Enhancing Large-Scale Recommender Systems
with Context-Based Prediction Models [2.3267858167388775]
コンテキストベース予測モデルは、ユーザの行動の確率を、ユーザとコンテキストの特徴にのみ依存することによって決定する。
我々は、クリック確率を推定するために補助的なコンテキストベースモデルを訓練することを含む、このモデリングアプローチのための多くの貴重な応用を特定した。
論文 参考訳(メタデータ) (2023-07-25T07:57:12Z) - Towards More Robust and Accurate Sequential Recommendation with
Cascade-guided Adversarial Training [54.56998723843911]
シーケンシャルレコメンデーションモデルの性質に特有の2つの特性は、その堅牢性を損なう可能性がある。
本稿では,シーケンシャルレコメンデーションモデルに特化して設計された,新たな逆行訓練法であるカスケード誘導逆行訓練を提案する。
論文 参考訳(メタデータ) (2023-04-11T20:55:02Z) - KDSM: An uplift modeling framework based on knowledge distillation and
sample matching [2.036924568983982]
昇降モデリングは、個人に対する治療効果を推定することを目的としている。
木に基づく手法は増分と一般化に適しており、ニューラルネットベースのモデルは絶対値と精度の予測に優れている。
本稿では,知識蒸留とサンプルマッチング(KDSM)に基づくアップリフトモデリングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-06T09:15:28Z) - Interpretable Multiple Treatment Revenue Uplift Modeling [4.9571232160914365]
アップリフトモデルは、治療による顧客の行動の変化を予測することで、企業の意思決定をサポートします。
本稿は,複数の治療と連続的な結果に対する上昇モデルを開発することにより,対応するアプローチを拡張する。
論文 参考訳(メタデータ) (2021-01-09T11:29:00Z) - Forethought and Hindsight in Credit Assignment [62.05690959741223]
我々は、前向きモデルや後向きモデルによる後向き操作による予測として使われる計画の利益と特異性を理解するために活動する。
本稿では,予測を(再)評価すべき状態の選択に主眼を置いて,計画におけるモデルの利用について検討する。
論文 参考訳(メタデータ) (2020-10-26T16:00:47Z) - Feature Selection Methods for Uplift Modeling and Heterogeneous
Treatment Effect [1.349645012479288]
アップリフトモデリングは、サブグループレベルの治療効果を推定する因果学習手法である。
従来の機能選択の方法は、そのタスクには適していない。
本稿では,アップリフトモデリングのための特徴選択手法を提案する。
論文 参考訳(メタデータ) (2020-05-05T00:28:18Z)
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。