論文の概要: Lightweight Boosting Models for User Response Prediction Using Adversarial Validation

• arxiv url: http://arxiv.org/abs/2310.03778v1
• Date: Thu, 5 Oct 2023 13:57:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 19:22:06.554945
• Title: Lightweight Boosting Models for User Response Prediction Using Adversarial Validation
• Title（参考訳）: 逆検証を用いたユーザ応答予測のための軽量ブースティングモデル
• Authors: Hyeonwoo Kim and Wonsung Lee
• Abstract要約: ShareChatが主催するACM RecSys Challenge 2023は、アプリがインストールされる確率を予測することを目的としている。 本稿では,この課題に対する軽量な解決策について述べる。
• 参考スコア（独自算出の注目度）: 2.4040470282119983
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ACM RecSys Challenge 2023, organized by ShareChat, aims to predict the probability of the app being installed. This paper describes the lightweight solution to this challenge. We formulate the task as a user response prediction task. For rapid prototyping for the task, we propose a lightweight solution including the following steps: 1) using adversarial validation, we effectively eliminate uninformative features from a dataset; 2) to address noisy continuous features and categorical features with a large number of unique values, we employ feature engineering techniques.; 3) we leverage Gradient Boosted Decision Trees (GBDT) for their exceptional performance and scalability. The experiments show that a single LightGBM model, without additional ensembling, performs quite well. Our team achieved ninth place in the challenge with the final leaderboard score of 6.059065. Code for our approach can be found here: https://github.com/choco9966/recsys-challenge-2023.
• Abstract（参考訳）: ShareChatが主催するACM RecSys Challenge 2023は、アプリがインストールされる確率を予測することを目的としている。 本稿では,この課題に対する軽量な解決策について述べる。 ユーザ応答予測タスクとしてタスクを定式化する。 タスクの迅速なプロトタイピングのために、以下のステップを含む軽量なソリューションを提案する。 1) 逆バリデーションを用いて,データセットから不正な特徴を効果的に排除する。 2) ノイズの多い連続的特徴や分類的特徴に多くのユニークな価値で対処するため,我々は特徴工学技術を採用している。 ; 3) 優れたパフォーマンスとスケーラビリティのために,GBDT(Gradient Boosted Decision Trees)を活用します。 実験によると、1つのlightgbmモデルは、追加のセンシングなしで非常によく機能する。 我々のチームは最終スコア6.059065の挑戦で9位を獲得しました。 このアプローチのコードは、https://github.com/choco9966/recsys-challenge-2023.comで参照できます。

関連論文リスト

• Symmetric Multi-Similarity Loss for EPIC-KITCHENS-100 Multi-Instance Retrieval Challenge 2024 [17.622013322533423]
  CVPR 2024におけるEPIC-KITCHENS-100 Multi-Instance Retrieval Challengeのチャンピオンソリューションを提案する。 この課題は、相関行列を提供することによって、従来のビジュアルテキスト検索タスクとは異なる。 我々は,より正確な学習目標を提供する新しい損失関数,Symmetric Multi-Similarity Lossを提案する。
  論文  参考訳（メタデータ） (2024-06-18T04:10:20Z)
• Localizing Task Information for Improved Model Merging and Compression [61.16012721460561]
  我々は,各タスクの重み付けが重なり合わないことが多いため,各タスクがマージされた後も,各タスクの解決に必要な情報が保存されていることを示す。 本稿では,そのような重みを排除し,既存のモデルマージ手法の一般的な性能を改善するアルゴリズムであるConsensus Mergingを提案する。
  論文  参考訳（メタデータ） (2024-05-13T14:54:37Z)
• Bridging the Gap Between End-to-End and Two-Step Text Spotting [88.14552991115207]
  ブリッジングテキストスポッティングは、2段階のメソッドでエラーの蓄積と最適化性能の問題を解決する新しいアプローチである。 提案手法の有効性を広範囲な実験により実証する。
  論文  参考訳（メタデータ） (2024-04-06T13:14:04Z)
• Spurious Feature Eraser: Stabilizing Test-Time Adaptation for Vision-Language Foundation Model [86.9619638550683]
  視覚言語基礎モデルは、画像とテキストのペアデータに拡張性があるため、多数の下流タスクで顕著な成功を収めている。 しかし、これらのモデルは、決定ショートカットの結果、きめ細かな画像分類などの下流タスクに適用した場合に重大な制限を呈する」。
  論文  参考訳（メタデータ） (2024-03-01T09:01:53Z)
• RecSys Challenge 2023: From data preparation to prediction, a simple, efficient, robust and scalable solution [2.0564549686015594]
  ShareChatが発表したRecSys Challenge 2023は、ユーザーがShareChat & Mojアプリの広告インプレッションを見た後、スマートフォンにアプリをインストールするかどうかを予測するためのものだ。 本稿では,この課題に対する'Team UMONS' のソリューションを提案し,異なる運用構成で容易に実装可能な比較的小さなモデルで正確な結果を与える。
  論文  参考訳（メタデータ） (2024-01-12T10:14:10Z)
• Ask Me Anything: A simple strategy for prompting language models [24.294416731247427]
  大規模言語モデル(LLM)は、単に自然言語のプロンプトを与えられただけである。 そこで本研究では,質問応答(QA)のプロンプトが,モデル出力を制限するプロンプトよりも優れていることを示す。 収集したプロンプトを適用して、入力の真のラベルに対していくつかのノイズの多い投票を行う。 プロンプトは、非常に異なる精度と複雑な依存関係を持つことができる。
  論文  参考訳（メタデータ） (2022-10-05T17:59:45Z)
• PERFECT: Prompt-free and Efficient Few-shot Learning with Language Models [67.3725459417758]
  PERFECTは、手工芸に頼らずに数発のPLMを微調整するためのシンプルで効率的な方法である。 そこで本研究では,手作業によるタスクプロンプトを,サンプル効率の良い微調整が可能なタスク固有アダプタに置き換えることができることを示す。 幅広い数発のNLPタスクの実験では、PERFECTはシンプルで効率的でありながら、既存の最先端の数発の学習方法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2022-04-03T22:31:25Z)
• Efficient Person Search: An Anchor-Free Approach [86.45858994806471]
  パーソンサーチは、クエリーの人物を、リアルで切り刻まれていない画像から、同時にローカライズし、識別することを目的としている。 この目標を達成するために、最先端モデルは通常、Faster R-CNNのような2段階検出器にre-idブランチを追加する。 本研究では,この課題に対処するためのアンカーフリーな手法を提案する。
  論文  参考訳（メタデータ） (2021-09-01T07:01:33Z)
• Anchor-Free Person Search [127.88668724345195]
  パーソンサーチ(person search)は、クエリーの人物を同時にローカライズし、特定することを目的としている。 既存の作品の多くはfaster-rcnnのような2段検出器を採用しており、精度は高いが計算オーバーヘッドは高い。 この課題に効率的に取り組む最初のアンカーフリーフレームワークであるFeature-Aligned Person Search Network(AlignPS)を紹介します。
  論文  参考訳（メタデータ） (2021-03-22T07:04:29Z)
• Conditional Channel Gated Networks for Task-Aware Continual Learning [44.894710899300435]
  畳み込みニューラルネットワークは、一連の学習問題に最適化された場合、破滅的な忘れを経験する。 本稿では,この問題に条件付き計算で対処する新しい枠組みを提案する。 提案手法を4つの連続学習データセットで検証する。
  論文  参考訳（メタデータ） (2020-03-31T19:35:07Z)

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。