Fugu-MT 論文翻訳(概要): Churn Prediction via Multimodal Fusion Learning:Integrating Customer Financial Literacy, Voice, and Behavioral Data

論文の概要: Churn Prediction via Multimodal Fusion Learning:Integrating Customer Financial Literacy, Voice, and Behavioral Data

arxiv url: http://arxiv.org/abs/2312.01301v1
Date: Sun, 3 Dec 2023 06:28:55 GMT
ステータス: 処理完了
システム内更新日: 2023-12-05 18:08:03.949051
Title: Churn Prediction via Multimodal Fusion Learning:Integrating Customer Financial Literacy, Voice, and Behavioral Data
Title（参考訳）: マルチモーダル融合学習によるチャーン予測:顧客の金融リテラシー、音声、行動データの統合
Authors: David Hason Rudd, Huan Huo, Md Rafiqul Islam, Guandong Xu
Abstract要約: 本稿では,金融サービスプロバイダの顧客リスクレベルを特定するためのマルチモーダル融合学習モデルを提案する。弊社のアプローチは、顧客感情の財務リテラシー(FL)レベルと、財務行動データを統合している。我々の新しいアプローチは、チャーン予測の顕著な改善を示し、テスト精度91.2%、平均精度66、マクロ平均F1スコア54を達成した。
参考スコア（独自算出の注目度）: 14.948017876322597
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In todays competitive landscape, businesses grapple with customer retention. Churn prediction models, although beneficial, often lack accuracy due to the reliance on a single data source. The intricate nature of human behavior and high dimensional customer data further complicate these efforts. To address these concerns, this paper proposes a multimodal fusion learning model for identifying customer churn risk levels in financial service providers. Our multimodal approach integrates customer sentiments financial literacy (FL) level, and financial behavioral data, enabling more accurate and bias-free churn prediction models. The proposed FL model utilizes a SMOGN COREG supervised model to gauge customer FL levels from their financial data. The baseline churn model applies an ensemble artificial neural network and oversampling techniques to predict churn propensity in high-dimensional financial data. We also incorporate a speech emotion recognition model employing a pre-trained CNN-VGG16 to recognize customer emotions based on pitch, energy, and tone. To integrate these diverse features while retaining unique insights, we introduced late and hybrid fusion techniques that complementary boost coordinated multimodal co learning. Robust metrics were utilized to evaluate the proposed multimodal fusion model and hence the approach validity, including mean average precision and macro-averaged F1 score. Our novel approach demonstrates a marked improvement in churn prediction, achieving a test accuracy of 91.2%, a Mean Average Precision (MAP) score of 66, and a Macro-Averaged F1 score of 54 through the proposed hybrid fusion learning technique compared with late fusion and baseline models. Furthermore, the analysis demonstrates a positive correlation between negative emotions, low FL scores, and high-risk customers.
Abstract（参考訳）: 今日の競争環境では、企業は顧客の維持に苦しむ。チャーン予測モデルは有益ではあるが、単一のデータソースに依存するため精度が低いことが多い。人間の行動と高次元顧客データの複雑な性質は、これらの努力をさらに複雑にする。これらの問題に対処するため,金融サービス事業者の顧客リスクレベルを特定するためのマルチモーダル融合学習モデルを提案する。私たちのマルチモーダルアプローチは、顧客感情金融リテラシー(fl)レベルと金融行動データを統合し、より正確でバイアスのないチャーン予測モデルを可能にします。提案モデルでは、SMOGN COREG教師付きモデルを用いて顧客FLレベルを財務データから評価する。ベースラインチャーンモデルは、アンサンブルニューラルネットワークとオーバーサンプリング技術を適用し、高次元金融データのチャーン傾向を予測する。また,事前学習したCNN-VGG16を用いた音声感情認識モデルを用いて,ピッチ,エネルギ,トーンに基づく顧客感情の認識を行う。ユニークな洞察を維持しつつ,これらの多様な特徴を統合するために,協調型マルチモーダルコラーニングを補完的に促進する後期・ハイブリッド融合技術を導入した。提案したマルチモーダル核融合モデルの評価にロバスト指標を用いて,平均精度とマクロ平均F1スコアを含むアプローチの有効性を検討した。提案手法は, 実験精度91.2%, 平均精度66, マクロ平均F1スコア54を, 後期核融合モデルとベースラインモデルとを比較したハイブリッド核融合学習技術を用いて, チャーン予測の顕著な改善を示すものである。さらに, ネガティブ感情と低fl得点, 高リスク顧客との間に正の相関を示す。

関連論文リスト

IMFL-AIGC: Incentive Mechanism Design for Federated Learning Empowered by Artificial Intelligence Generated Content [15.620004060097155]
フェデレートラーニング(FL)は、クライアントがローカルデータをアップロードすることなく、共有グローバルモデルを協調的にトレーニングできる、有望なパラダイムとして登場した。顧客参加を促すため,データ品質を考慮したインセンティブ機構を提案する。提案したメカニズムは,トレーニングの精度が高く,実世界のデータセットによるサーバコストの最大53.34%を削減できる。
論文参考訳（メタデータ） (2024-06-12T07:47:22Z)
Design of reliable technology valuation model with calibrated machine learning of patent indicators [14.31250748501038]
校正MLモデルを用いた信頼性の高い技術評価のための分析フレームワークを提案する。各種技術特性を表す定量的な特許指標を入力データとして抽出する。
論文参考訳（メタデータ） (2024-06-08T11:52:37Z)
An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
論文参考訳（メタデータ） (2024-04-29T05:55:23Z)
FLASH: Federated Learning Across Simultaneous Heterogeneities [54.80435317208111]
FLASH (Federated Learning Across Simultaneous Heterogeneities) は軽量かつ柔軟なクライアント選択アルゴリズムである。ヘテロジニティの幅広い情報源の下で、最先端のFLフレームワークよりも優れています。最先端のベースラインよりも大幅に、一貫性のある改善を実現している。
論文参考訳（メタデータ） (2024-02-13T20:04:39Z)
Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文参考訳（メタデータ） (2023-05-01T20:04:46Z)
FedCliP: Federated Learning with Client Pruning [3.796320380104124]
フェデレートラーニング(Federated Learning、FL)は、新たな分散ラーニングパラダイムである。 FLの基本的なボトルネックの1つは、分散クライアントと中央サーバの間の通信オーバーヘッドである。マクロの観点から,最初の通信効率のよいFLトレーニングフレームワークであるFedCliPを提案する。
論文参考訳（メタデータ） (2023-01-17T09:15:37Z)
Federated Learning under Heterogeneous and Correlated Client Availability [10.05687757555923]
本稿では,FedAvg-like FLアルゴリズムに対する不均一かつ相関のあるクライアント可用性下での最初の収束解析について述べる。本稿では,収束速度の最大化とモデルバイアスの最小化という相反する目標のバランスをとろうとする新しいFLアルゴリズムCA-Fedを提案する。実験の結果,CA-Fedは最先端のAdaFedやF3ASTよりも時間平均精度が高く,標準偏差も低いことがわかった。
論文参考訳（メタデータ） (2023-01-11T18:38:48Z)
Beyond ADMM: A Unified Client-variance-reduced Adaptive Federated Learning Framework [82.36466358313025]
我々はFedVRAと呼ばれる原始二重FLアルゴリズムを提案し、このアルゴリズムはグローバルモデルの分散還元レベルとバイアスを適応的に制御することができる。半教師付き画像分類タスクに基づく実験は,既存の手法よりもFedVRAの方が優れていることを示す。
論文参考訳（メタデータ） (2022-12-03T03:27:51Z)
RF-LighGBM: A probabilistic ensemble way to predict customer repurchase behaviour in community e-commerce [8.750970436444083]
中国におけるオンライン決済ユーザーの数は8億4400万人に達している。コミュニティのeコマースプラットフォームが出現するにつれ、eコマースとソーシャルアプリケーションの統合の傾向はますます強まっている。本稿では,データ駆動型手法を用いて,地域電子商取引顧客の再購入行動の予測について検討する。
論文参考訳（メタデータ） (2021-09-02T05:38:16Z)
Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文参考訳（メタデータ） (2021-06-22T18:29:58Z)
Towards Fair Federated Learning with Zero-Shot Data Augmentation [123.37082242750866]
フェデレーション学習は重要な分散学習パラダイムとして登場し、サーバはクライアントデータにアクセスせずに、多くのクライアントがトレーニングしたモデルからグローバルモデルを集約する。本稿では, 統計的不均一性を緩和し, フェデレートネットワークにおけるクライアント間での精度向上を図るために, ゼロショットデータ拡張を用いた新しいフェデレーション学習システムを提案する。 Fed-ZDAC (クライアントでのゼロショットデータ拡張によるフェデレーション学習) と Fed-ZDAS (サーバでのゼロショットデータ拡張によるフェデレーション学習) の2種類について検討する。
論文参考訳（メタデータ） (2021-04-27T18:23:54Z)

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。