Fugu-MT 論文翻訳(概要): UTBoost: Gradient Boosted Decision Trees for Uplift Modeling

論文の概要: UTBoost: Gradient Boosted Decision Trees for Uplift Modeling

arxiv url: http://arxiv.org/abs/2312.02573v2
Date: Tue, 03 Dec 2024 02:26:53 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-04 15:39:43.510030
Title: UTBoost: Gradient Boosted Decision Trees for Uplift Modeling
Title（参考訳）: UTBoost: 昇降モデリングのためのグラディエントな昇降決定木
Authors: Junjie Gao, Xiangyu Zheng, DongDong Wang, Zhixiang Huang, Bangqi Zheng, Kai Yang,
Abstract要約: 確立されたGBDT(Gradient Boosting Decision Trees)技術に2つの新しい修正を加えた。これらの修正は因果効果を順次学習し、反事実ジレンマに対処する。大規模データセットを用いた実験により,本手法の有効性が検証された。
参考スコア（独自算出の注目度）: 6.526764902951353
License:
Abstract: Uplift modeling comprises a collection of machine learning techniques designed for managers to predict the incremental impact of specific actions on customer outcomes. However, accurately estimating this incremental impact poses significant challenges due to the necessity of determining the difference between two mutually exclusive outcomes for each individual. In our study, we introduce two novel modifications to the established Gradient Boosting Decision Trees (GBDT) technique. These modifications sequentially learn the causal effect, addressing the counterfactual dilemma. Each modification innovates upon the existing technique in terms of the ensemble learning method and the learning objective, respectively. Experiments with large-scale datasets validate the effectiveness of our methods, consistently achieving substantial improvements over baseline models.
Abstract（参考訳）: Uplift Modelingは、マネージャが特定のアクションが顧客の成果に与える影響を漸進的に予測するように設計された機械学習テクニックのコレクションである。しかし、このインクリメンタルな影響を正確に見積もると、個人ごとに2つの排他的な結果の違いを決定する必要があるため、大きな課題が生じる。本研究では,GBDT(Gradient Boosting Decision Trees)技術に2つの新しい改良を加えた。これらの修正は因果効果を順次学習し、反事実ジレンマに対処する。それぞれの修正は、アンサンブル学習法と学習目的の観点から、既存の技法を革新する。大規模データセットを用いた実験は,本手法の有効性を検証し,ベースラインモデルよりも大幅に改善した。

関連論文リスト

DODT: Enhanced Online Decision Transformer Learning through Dreamer's Actor-Critic Trajectory Forecasting [37.334947053450996]
本稿では,Dreamerアルゴリズムの予測軌道生成能力とオンライン決定変換器の適応強度を組み合わせた新しい手法を提案する。提案手法は,Dreamer-produced trajectories が変換器の文脈決定を促進させる並列学習を可能にする。
論文参考訳（メタデータ） (2024-10-15T07:27:56Z)
Enhancing Training Data Attribution for Large Language Models with Fitting Error Consideration [74.09687562334682]
Debias and Denoise Attribution (DDA) と呼ばれる新しいトレーニングデータ属性法を導入する。提案手法は既存のアプローチよりも優れており,平均91.64%のAUCを実現している。 DDAは、様々なソースとLLaMA2、QWEN2、Mistralのような異なるスケールのモデルに対して、強力な汎用性とスケーラビリティを示す。
論文参考訳（メタデータ） (2024-10-02T07:14:26Z)
Skywork-MoE: A Deep Dive into Training Techniques for Mixture-of-Experts Language Models [57.582219834039506]
提案手法は,146億のパラメータと16名のエキスパートを伴い,高性能な多言語モデル(LLM)であるSkywork-MoEの開発において実現された訓練手法を紹介する。これは、Skywork-13Bモデルの既存の密度の高いチェックポイントに基づいています。
論文参考訳（メタデータ） (2024-06-03T03:58:41Z)
Enhancing Dynamical System Modeling through Interpretable Machine Learning Augmentations: A Case Study in Cathodic Electrophoretic Deposition [0.8796261172196743]
本稿では,物理システムのモデリング向上を目的とした包括的データ駆動フレームワークを提案する。実証的応用として,電顕的電気泳動沈着(EPD)のモデル化を追求する。
論文参考訳（メタデータ） (2024-01-16T14:58:21Z)
Weighted Ensemble Self-Supervised Learning [67.24482854208783]
組み立ては、モデルパフォーマンスを高めるための強力なテクニックであることが証明されている。我々は,データ依存型重み付きクロスエントロピー損失を許容するフレームワークを開発した。提案手法は、ImageNet-1K上での複数の評価指標において、両者に優れる。
論文参考訳（メタデータ） (2022-11-18T02:00:17Z)
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)
Exploring Example Influence in Continual Learning [26.85320841575249]
連続学習(CL)は、より良い安定性(S)と塑性(P)を達成することを目的として、人間のような新しいタスクを順次学習する S と P の影響をトレーニング例で調べるには,SP の改善に向けた学習パターンの改善が期待できる。本稿では、IFの摂動における2つの重要なステップをシミュレートし、S-およびP-認識の例の影響を得るための、シンプルで効果的なMetaSPアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-09-25T15:17:37Z)
Adapting and Evaluating Influence-Estimation Methods for Gradient-Boosted Decision Trees [12.167833575680833]
Gradient-boosted decision tree (GBDT) は、強力で広く使われているモデルのクラスである。深層学習モデルのために設計された影響推定手法をGBDTに適用する。 BoostIn は GBDT に対する効率的な影響推定手法であり,既存の作業と同等あるいは同等に機能する。
論文参考訳（メタデータ） (2022-04-30T22:39:17Z)
Variational Auto-Encoder Architectures that Excel at Causal Inference [26.731576721694648]
観測データから因果効果を推定することは、多くの種類の決定を下す上で重要である。この課題に対処する1つのアプローチは、データの基礎となる要素の分解された表現を学習することである。本稿では,変分オートエンコーダの最近の進歩を基盤とした生成的アプローチを提案する。
論文参考訳（メタデータ） (2021-11-11T22:37:43Z)
Towards a Unified View of Parameter-Efficient Transfer Learning [108.94786930869473]
下流タスクにおける大規模事前学習言語モデルの微調整は、NLPにおけるデファクト学習パラダイムとなっている。近年の研究では,少数の(外部)パラメータのみを微調整するだけで高い性能が得られるパラメータ効率の伝達学習法が提案されている。我々は、最先端のパラメータ効率変換学習手法の設計を分解し、それらの相互接続を確立する統一的なフレームワークを提案する。
論文参考訳（メタデータ） (2021-10-08T20:22:26Z)
Task-Feature Collaborative Learning with Application to Personalized Attribute Prediction [166.87111665908333]
本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
論文参考訳（メタデータ） (2020-04-29T02:32:04Z)

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。