論文の概要: A New Transformation Approach for Uplift Modeling with Binary Outcome
- arxiv url: http://arxiv.org/abs/2310.05549v1
- Date: Mon, 9 Oct 2023 09:17:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 06:40:50.209703
- Title: A New Transformation Approach for Uplift Modeling with Binary Outcome
- Title（参考訳）: バイナリ出力を用いた揚力モデリングのための新しい変換手法
- Authors: Kun Li, Jiang Tian and Xiaojia Xiang
- Abstract要約: Uplift Modeling(アップリフト・モデリング)は、機械学習のテクニックで、何らかのアクションを実行することで、それを受け取らないことで得られる利益を予測する。
本稿では,2値対象変数の場合の新たな変換結果を設計し,結果ゼロのサンプルの完全な値をアンロックする。
当社の新たなアプローチは、中国全土の金融保有グループの精密マーケティングにすでに適用されています。
- 参考スコア（独自算出の注目度）: 7.828300476533517
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Uplift modeling has been used effectively in fields such as marketing and
customer retention, to target those customers who are more likely to respond
due to the campaign or treatment. Essentially, it is a machine learning
technique that predicts the gain from performing some action with respect to
not taking it. A popular class of uplift models is the transformation approach
that redefines the target variable with the original treatment indicator. These
transformation approaches only need to train and predict the difference in
outcomes directly. The main drawback of these approaches is that in general it
does not use the information in the treatment indicator beyond the construction
of the transformed outcome and usually is not efficient. In this paper, we
design a novel transformed outcome for the case of the binary target variable
and unlock the full value of the samples with zero outcome. From a practical
perspective, our new approach is flexible and easy to use. Experimental results
on synthetic and real-world datasets obviously show that our new approach
outperforms the traditional one. At present, our new approach has already been
applied to precision marketing in a China nation-wide financial holdings group.
- Abstract（参考訳）: 昇降モデリングは、マーケティングや顧客の維持といった分野で効果的に使われており、キャンペーンや治療により反応しやすい顧客をターゲットにしている。
基本的には、あるアクションを実行することで、それを受け取らないことで得られる利益を予測する機械学習技術である。
upliftモデルの一般的なクラスは、ターゲット変数を元の処理インジケータで再定義する変換アプローチである。
これらの変換アプローチは、結果の差を直接訓練し、予測するだけです。
これらのアプローチの主な欠点は、一般的には、変換結果の構築を超えて治療指標の情報を使用しず、通常は効率的ではないことである。
本稿では,2値対象変数の場合の新たな変換結果を設計し,結果ゼロのサンプルの完全な値をアンロックする。
実用的な見地からすると、私たちの新しいアプローチは柔軟で使いやすいです。
合成データと実世界のデータセットの実験結果は、私たちの新しいアプローチが従来のものよりも優れていることを明らかに示しています。
現在、当社の新たなアプローチは、中国全国金融持株グループにおける精密マーケティングにすでに適用されています。
関連論文リスト
- Novel Saliency Analysis for the Forward Forward Algorithm [0.0]
ニューラルネットワークトレーニングにフォワードフォワードアルゴリズムを導入する。
この方法は、2つのフォワードパスを実際のデータで実行し、正の強化を促進する。
従来のサリエンシ手法に固有の制約を克服するため,フォワードフォワードフレームワークに特化してベスポークサリエンシアルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-09-18T17:21:59Z) - Bias Mitigation in Fine-tuning Pre-trained Models for Enhanced Fairness
and Efficiency [26.86557244460215]
新しいタスクにおけるバイアスを軽減するために特別に設計された、効率的で堅牢な微調整フレームワークを導入します。
我々の経験的分析は、異なる人口集団の予測に影響を与える事前学習モデルのパラメータが異なることを示している。
我々は、人口集団間でフィッシャー情報を用いて決定された、これらの影響力のある重みの重要性を中和する伝達学習戦略を採用している。
論文 参考訳（メタデータ） (2024-03-01T16:01:28Z) - Learning Objective-Specific Active Learning Strategies with Attentive
Neural Processes [72.75421975804132]
学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。
能動学習問題の対称性と独立性を利用した新しい分類法を提案する。
私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
論文 参考訳（メタデータ） (2023-09-11T14:16:37Z) - Emergent Agentic Transformer from Chain of Hindsight Experience [96.56164427726203]
簡単なトランスフォーマーベースモデルが時間差と模倣学習に基づくアプローチの両方と競合することを示す。
単純なトランスフォーマーベースのモデルが時間差と模倣学習ベースのアプローチの両方で競合するのはこれが初めてである。
論文 参考訳（メタデータ） (2023-05-26T00:43:02Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z) - Learning Neural Models for Natural Language Processing in the Face of
Distributional Shift [10.990447273771592]
特定のデータセットでひとつのタスクを実行するための強力な神経予測器をトレーニングするNLPのパラダイムが、さまざまなアプリケーションで最先端のパフォーマンスを実現している。
データ分布が定常である、すなわち、トレーニングとテストの時間の両方で、データは固定された分布からサンプリングされる、という仮定に基づいて構築される。
この方法でのトレーニングは、人間が絶えず変化する情報の流れの中で学習し、操作できる方法と矛盾する。
データ分散がモデル寿命の経過とともにシフトすることが期待される実世界のユースケースに不適応である。
論文 参考訳（メタデータ） (2021-09-03T14:29:20Z) - Self-supervised Augmentation Consistency for Adapting Semantic
Segmentation [56.91850268635183]
本稿では,実用的かつ高精度な意味セグメンテーションのためのドメイン適応手法を提案する。
私たちは標準データ拡張技術である$-$フォトメトリックノイズ、フリップとスケーリング$-$を採用し、セマンティック予測の一貫性を保証する。
適応後の最先端セグメンテーション精度を大幅に改善し、バックボーンアーキテクチャと適応シナリオの異なる選択に整合性を持たせる。
論文 参考訳（メタデータ） (2021-04-30T21:32:40Z) - Exploring Complementary Strengths of Invariant and Equivariant
Representations for Few-Shot Learning [96.75889543560497]
多くの現実世界では、多数のラベル付きサンプルの収集は不可能です。
少ないショット学習はこの問題に対処するための主要なアプローチであり、目的は限られた数のサンプルの存在下で新しいカテゴリに迅速に適応することです。
幾何学的変換の一般集合に対する等分散と不変性を同時に強制する新しい訓練機構を提案する。
論文 参考訳（メタデータ） (2021-03-01T21:14:33Z) - 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) - Adapting Neural Networks for Uplift Models [0.0]
アップリフトは、条件付き平均回帰(i)変換結果回帰(i)を用いて推定される。
既存のアプローチは、アップリフトケースに対する分類木と回帰木の適応である。
本稿ではニューラルネットワークを用いた新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-30T18:42:56Z) - Towards Accurate Knowledge Transfer via Target-awareness Representation
Disentanglement [56.40587594647692]
本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。
TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。
各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
論文 参考訳（メタデータ） (2020-10-16T17:45:08Z)
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。