論文の概要: UTBoost: A Tree-boosting based System for Uplift Modeling

• arxiv url: http://arxiv.org/abs/2312.02573v1
• Date: Tue, 5 Dec 2023 08:41:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-06 16:14:24.706974
• Title: UTBoost: A Tree-boosting based System for Uplift Modeling
• Title（参考訳）: UTBoost: 昇降モデリングのためのツリーブースティングベースシステム
• Authors: Junjie Gao, Xiangyu Zheng, DongDong Wang, Zhixiang Huang, Bangqi Zheng, Kai Yang
• Abstract要約: アップリフトモデリング(アップリフトモデリング)とは、マネージャが顧客のアップリフトを見積もるのに使用できる一連の機械学習技術を指す。 そこで本研究では,GBDT(Gradient Boosting Decision Trees)アルゴリズムの2つの革新的適応法を提案する。 大規模データセットを用いた実験により,提案手法の有用性が示された。
• 参考スコア（独自算出の注目度）: 6.915863353204588
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uplift modeling refers to the set of machine learning techniques that a manager may use to estimate customer uplift, that is, the net effect of an action on some customer outcome. By identifying the subset of customers for whom a treatment will have the greatest effect, uplift models assist decision-makers in optimizing resource allocations and maximizing overall returns. Accurately estimating customer uplift poses practical challenges, as it requires assessing the difference between two mutually exclusive outcomes for each individual. In this paper, we propose two innovative adaptations of the well-established Gradient Boosting Decision Trees (GBDT) algorithm, which learn the causal effect in a sequential way and overcome the counter-factual nature. Both approaches innovate existing techniques in terms of ensemble learning method and learning objectives, respectively. Experiments on large-scale datasets demonstrate the usefulness of the proposed methods, which often yielding remarkable improvements over base models. To facilitate the application, we develop the UTBoost, an end-to-end tree boosting system specifically designed for uplift modeling. The package is open source and has been optimized for training speed to meet the needs of real industrial applications.
• Abstract（参考訳）: アップリフトモデリング(uplift modeling)とは、マネージャが顧客の上昇を見積もるために使用できる一連の機械学習技術、すなわち、ある顧客成果に対するアクションの純効果を指す。 治療効果が最も大きい顧客のサブセットを特定することで、アップリフトモデルはリソース割り当てを最適化し、全体のリターンを最大化する意思決定者を支援する。 顧客アップリフトを正確に見積もると、各個人に対して2つの排他的な結果の違いを評価する必要があるため、実践的な課題が生じる。 本稿では, 因果効果を逐次学習し, 反事実的性質を克服する, 確立された勾配ブースティング決定木(gbdt)アルゴリズムの2つの革新的適応法を提案する。 両アプローチはそれぞれ,アンサンブル学習法と学習目的の観点から,既存の手法を革新する。 大規模データセットの実験では提案手法の有用性が示され、しばしばベースモデルよりも顕著な改善がもたらされる。 アプリケーションを容易にするために,アップリフトモデリングに特化して設計された,エンドツーエンドのツリーブースティングシステムであるUTBoostを開発した。 パッケージはオープンソースで、実際の産業アプリケーションのニーズを満たすためにトレーニング速度に最適化されている。

関連論文リスト

• KBAlign: Efficient Self Adaptation on Specific Knowledge Bases [75.78948575957081]
  大規模言語モデル(LLM)は通常、知識材料を瞬時に活用するために、検索強化世代に依存している。 本稿では,知識ベースを含む下流タスクへの効率的な適応を目的としたKBAlignを提案する。 提案手法は,Q&Aペアやリビジョン提案などの自己注釈付きデータを用いて反復学習を行い,モデルが知識内容を効率的に把握できるようにする。
  論文  参考訳（メタデータ） (2024-11-22T08:21:03Z)
• Memory-Enhanced Neural Solvers for Efficient Adaptation in Combinatorial Optimization [6.713974813995327]
  本稿では、メモリを活用してニューラルネットワークの適応性を向上させるアプローチであるMementOを提案する。 我々は,大規模インスタンス上で全RL自動回帰解法をトレーニングし,MementOが拡張可能で,データ効率がよいことを示す。 全体として、MementOは評価された12のタスクのうち11に最先端のタスクをプッシュすることができる。
  論文  参考訳（メタデータ） (2024-06-24T08:18:19Z)
• Efficient Model-agnostic Alignment via Bayesian Persuasion [13.42367964190663]
  本稿では,モデル非依存かつ軽量なベイズ型説得アライメントフレームワークを提案する。 説得プロセスでは、小さなモデル(アドバイザ)が情報項目(すなわち状態)を観察し、大きなモデル(Receiver)を説得して、改善された応答を引き出す。 GPT-2は様々なモデルの性能を大幅に向上させ,数学的推論能力の平均16.1%,コード生成能力は13.7%向上した。
  論文  参考訳（メタデータ） (2024-05-29T02:57:07Z)
• Learning Fair Ranking Policies via Differentiable Optimization of Ordered Weighted Averages [55.04219793298687]
  本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。 特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
  論文  参考訳（メタデータ） (2024-02-07T20:53:53Z)
• Secrets of RLHF in Large Language Models Part II: Reward Modeling [134.97964938009588]
  本稿では,データセットにおける不正確で曖昧な嗜好の影響を軽減するために,一連の新しい手法を紹介する。 また、選択された応答と拒否された応答を区別する報酬モデルの有用性を高めるために、対照的な学習を導入する。
  論文  参考訳（メタデータ） (2024-01-11T17:56:59Z)
• 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)
• 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)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Iterative Boosting Deep Neural Networks for Predicting Click-Through Rate [15.90144113403866]
  クリックスルーレート(CTR)は、特定の項目のクリックの比率を、そのビューの総数に反映する。 XdBoostは、従来の機械学習の強化メカニズムの影響を受け、反復的な3段階ニューラルネットワークモデルである。
  論文  参考訳（メタデータ） (2020-07-26T09:41:16Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)
• Learning to rank for uplift modeling [13.37616530323223]
  アップリフトモデリングの文脈における学習からランクへのテクニックの可能性について検討する。 本稿では,現在使用されている様々なグローバル・アップリフト・モデリング手法の統一的な形式化を提案する。 我々は,PCG(Progressed cumulative gain)と呼ばれる,アップリフト曲線の下での領域の最適化に焦点をあてた,学習からランクへの新たな指標を提案する。
  論文  参考訳（メタデータ） (2020-02-14T07:37:16Z)

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。