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

• A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
  我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。 ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。 当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
  論文  参考訳（メタデータ） (2024-11-20T20:38:56Z)
• On the Modeling Capabilities of Large Language Models for Sequential Decision Making [52.128546842746246]
  大規模な事前訓練されたモデルでは、推論や計画タスクのパフォーマンスがますます向上している。 我々は、直接的または間接的に、意思決定ポリシーを作成する能力を評価する。 未知の力学を持つ環境において、合成データを用いた微調整LDMが報酬モデリング能力を大幅に向上させる方法について検討する。
  論文  参考訳（メタデータ） (2024-10-08T03:12:57Z)
• Revisiting SMoE Language Models by Evaluating Inefficiencies with Task Specific Expert Pruning [78.72226641279863]
  SMOE(Sparse Mixture of Expert)モデルは、言語モデリングにおける高密度モデルに代わるスケーラブルな代替品として登場した。 本研究は,SMoEアーキテクチャの設計に関する意思決定を行うために,タスク固有のモデルプルーニングについて検討する。 適応型タスク対応プルーニング手法 UNCURL を導入し,MoE 層当たりの専門家数をオフラインで学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T22:35:03Z)
• Rankability-enhanced Revenue Uplift Modeling Framework for Online Marketing [15.544814492604587]
  アップリフトモデリングは, 治療群と対照群との応答差を予測し, オンラインマーケティングにおいて広く利用されている。 従来の作業では、収益アップリフトモデリングにおいて、継続的なロングテール応答分布をほとんど処理できない。 本稿では、ゼロインフレーション対数正規化(ZILN)損失を利用して応答を回帰し、対応するモデリングネットワークをカスタマイズする。
  論文  参考訳（メタデータ） (2024-05-24T07:40:55Z)
• 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)
• 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)
• 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)
• 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。