論文の概要: A churn prediction dataset from the telecom sector: a new benchmark for
uplift modeling
- arxiv url: http://arxiv.org/abs/2312.07206v1
- Date: Tue, 12 Dec 2023 12:19:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 16:12:15.772257
- Title: A churn prediction dataset from the telecom sector: a new benchmark for
uplift modeling
- Title(参考訳): テレコムセクターからのチャーン予測データセット:アップリフトモデリングのための新しいベンチマーク
- Authors: Th\'eo Verhelst, Denis Mercier, Jeevan Shrestha, Gianluca Bontempi
- Abstract要約: 本稿では,チャーン予測に着目したアップリフトモデリングのための新しいベンチマークデータセットを提案する。
これは、チャーン予測問題におけるアップリフトモデリングの効率を評価する可能性を提供する最初の公開データセットである。
- 参考スコア(独自算出の注目度): 0.1474723404975345
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Uplift modeling, also known as individual treatment effect (ITE) estimation,
is an important approach for data-driven decision making that aims to identify
the causal impact of an intervention on individuals. This paper introduces a
new benchmark dataset for uplift modeling focused on churn prediction, coming
from a telecom company in Belgium, Orange Belgium. Churn, in this context,
refers to customers terminating their subscription to the telecom service. This
is the first publicly available dataset offering the possibility to evaluate
the efficiency of uplift modeling on the churn prediction problem. Moreover,
its unique characteristics make it more challenging than the few other public
uplift datasets.
- Abstract(参考訳): アップリフトモデリング(英: Uplift Modeling)は、個人に対する介入の因果的影響を特定することを目的とした、データ駆動意思決定において重要なアプローチである。
本稿では,ベルギー・オレンジ・ベルギーの通信会社によるチャーン予測に着目したアップリフトモデリングのための新しいベンチマークデータセットを提案する。
この文脈でchurnは、通信サービスへのサブスクリプションを終了させる顧客を指している。
これは、チャーン予測問題に対するアップリフトモデリングの効率を評価する可能性を提供する最初の公開データセットである。
さらに、そのユニークな特徴は、他のいくつかのパブリックアップリフトデータセットよりも困難である。
関連論文リスト
- Graph Neural Network with Two Uplift Estimators for Label-Scarcity
Individual Uplift Modeling [30.16065210190575]
本稿では,ソーシャルグラフから高揚度推定法を学ぶために,Mと呼ばれる2つの高揚度推定器を備えたグラフニューラルネットワークベースのフレームワークを提案する。
提案アルゴリズムは,実世界のアップリフト推定シナリオを提供するために,オンラインで展開されている。
論文 参考訳(メタデータ) (2024-03-11T07:51:27Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-22T02:12:08Z) - Dirichlet-based Uncertainty Quantification for Personalized Federated
Learning with Improved Posterior Networks [9.54563359677778]
本稿では,グローバルおよびパーソナライズされたモデルの中からモデルを選択可能なフェデレーション学習への新たなアプローチを提案する。
これは、局所的およびグローバルな分布内および分布外データを検出するのに役立つ予測不確実性の慎重なモデリングによって達成される。
一般的な実世界の画像データセットに対する総合的な実験的評価は、アウト・オブ・ディストリビューション・データの存在下でのモデルの優れた性能を示している。
論文 参考訳(メタデータ) (2023-12-18T14:30:05Z) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳(メタデータ) (2023-11-05T18:59:31Z) - Model Pruning Enables Localized and Efficient Federated Learning for
Yield Forecasting and Data Sharing [6.4742178124596625]
フェデレートラーニング(FL)は、アグリフード分野におけるモデルトレーニングに対する分散的なアプローチを示す。
本稿では,クライアントモデル上でのネットワークプルーニングを利用して,プルーニングされたモデルを集約する新しい技術ソリューションを提案する。
我々は大豆収量予測データセットを用いて実験を行い,FedAvgと比較して推定性能が15.5%から20%向上することが確認された。
論文 参考訳(メタデータ) (2023-04-19T17:53:43Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-04-17T10:59:57Z) - DYNAFED: Tackling Client Data Heterogeneity with Global Dynamics [60.60173139258481]
非イド分散データに対する局所訓練は、偏向局所最適化をもたらす。
自然な解決策は、サーバがデータ分散全体のグローバルなビューを持つように、すべてのクライアントデータをサーバに収集することです。
本稿では,データプライバシを損なうことなく,サーバ上でのグローバルな知識の収集と活用を図る。
論文 参考訳(メタデータ) (2022-11-20T06:13:06Z) - DER Forecast using Privacy Preserving Federated Learning [0.0]
分散機械学習アプローチであるFederated Learningを提案し、IoTノードのネットワークを使用してDER予測を実行する。
提案手法が消費者プライバシ保護の正確な予測に繋がることを示すため,1000 DER を含むシミュレーション研究を考察する。
論文 参考訳(メタデータ) (2021-07-07T14:25:43Z) - Toward Understanding the Influence of Individual Clients in Federated
Learning [52.07734799278535]
フェデレーションラーニングにより、クライアントはプライベートデータを中央サーバーに送信することなく、グローバルモデルを共同でトレーニングできます。
em-Influenceという新しい概念を定義し、パラメータに対するこの影響を定量化し、このメトリクスを推定する効果的な効率的なモデルを提案しました。
論文 参考訳(メタデータ) (2020-12-20T14:34:36Z) - Topology-based Clusterwise Regression for User Segmentation and Demand
Forecasting [63.78344280962136]
本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。
本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
論文 参考訳(メタデータ) (2020-09-08T12:10:10Z) - Prioritized Multi-Criteria Federated Learning [16.35440946424973]
マシンラーニングのシナリオでは、モデルがサービスのユーザから来るプライベートデータでトレーニングされる必要がある場合、プライバシが重要な問題になります。
我々は,多数のクライアントに分散したプライベートデータセットに基づくMLモデルを構築する手段として,フェデレートラーニング(FL)を提案する。
中央コーディネートサーバは、クライアントによってローカルに計算された更新を受け取り、それらを集約してより良いグローバルモデルを得る。
論文 参考訳(メタデータ) (2020-07-17T10:49:47Z)
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。