Fugu-MT 論文翻訳(概要): A churn prediction dataset from the telecom sector: a new benchmark for uplift modeling

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

Privacy-Preserving Customer Churn Prediction Model in the Context of Telecommunication Industry [1.0428401220897083]
クラウド環境におけるプライバシ保護型顧客チャーン予測モデルのためのフレームワークを提案する。我々は,GAN(Generative Adversarial Networks)とアダプティブウェイト・オブ・エビデンス(Adaptive Weight-of-Evidence,aWOE)を組み合わせた新しいアプローチを提案する。
論文参考訳（メタデータ） (2024-11-03T06:08:59Z)
Enhancing Customer Churn Prediction in Telecommunications: An Adaptive Ensemble Learning Approach [0.0]
本稿では,高精度な顧客チャーン予測のための適応型アンサンブル学習フレームワークを提案する。このフレームワークは、XGBoost、LightGBM、LSTM、Multi-Layer Perceptron(MLP)ニューラルネットワーク、Support Vector Machine(SVM)など、複数のベースモデルを統合する。この研究は99.28%の精度を達成し、チャーン予測の大きな進歩を示している。
論文参考訳（メタデータ） (2024-08-29T06:27:42Z)
F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文参考訳（メタデータ） (2024-06-23T21:28:50Z)
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)
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)
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)
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)
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。