論文の概要: Multiple Instance Learning for Uplift Modeling
- arxiv url: http://arxiv.org/abs/2312.09639v1
- Date: Fri, 15 Dec 2023 09:28:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 16:26:45.883063
- Title: Multiple Instance Learning for Uplift Modeling
- Title（参考訳）: 揚力モデリングのためのマルチインスタンス学習
- Authors: Yao Zhao, Haipeng Zhang, Shiwei Lyu, Ruiying Jiang, Jinjie Gu, Guannan
Zhang
- Abstract要約: 昇降モデリングは、プロモーションキャンペーンの効果を推定するために、パフォーマンスマーケティングで広く使われている。
本フレームワークは,各バッグのユーザアップリフト予測をバッグ単位のATE予測として要約し,そのATEラベルに正規化する。
2つのデータセットで行った実験は、提案フレームワークの有効性と普遍性を示している。
- 参考スコア（独自算出の注目度）: 46.1924474929763
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Uplift modeling is widely used in performance marketing to estimate effects
of promotion campaigns (e.g., increase of customer retention rate). Since it is
impossible to observe outcomes of a recipient in treatment (e.g., receiving a
certain promotion) and control (e.g., without promotion) groups simultaneously
(i.e., counter-factual), uplift models are mainly trained on instances of
treatment and control groups separately to form two models respectively, and
uplifts are predicted by the difference of predictions from these two models
(i.e., two-model method). When responses are noisy and the treatment effect is
fractional, induced individual uplift predictions will be inaccurate, resulting
in targeting undesirable customers. Though it is impossible to obtain the ideal
ground-truth individual uplifts, known as Individual Treatment Effects (ITEs),
alternatively, an average uplift of a group of users, called Average Treatment
Effect (ATE), can be observed from experimental deliveries. Upon this, similar
to Multiple Instance Learning (MIL) in which each training sample is a bag of
instances, our framework sums up individual user uplift predictions for each
bag of users as its bag-wise ATE prediction, and regularizes it to its ATE
label, thus learning more accurate individual uplifts. Additionally, to amplify
the fractional treatment effect, bags are composed of instances with adjacent
individual uplift predictions, instead of random instances. Experiments
conducted on two datasets show the effectiveness and universality of the
proposed framework.
- Abstract（参考訳）: uplift modelingは、プロモーションキャンペーンの効果(顧客保持率の増加など)を見積もるために、パフォーマンスマーケティングで広く使われている。
治療対象者の結果(例えば、特定の昇進を受ける)とコントロールグループ(例えば、昇進なし)を同時に観察することは不可能であるため、昇降モデルは、主に2つのモデルを形成するために、処置群と制御群の例に基づいて訓練され、2つのモデル(すなわち、2モデル法)からの予測の違いによって昇降が予測される。
応答が騒がしく、治療効果が小さければ、個々の上昇予測が不正確になり、望ましくない顧客をターゲットにする。
個別治療効果(ites)として知られる理想的地上的個人昇降力は得られないが、実験的な配送から平均治療効果(ate)と呼ばれるユーザーの集団の平均昇降を観測することができる。
これにより、トレーニングサンプルがインスタンスの袋であるMultiple Instance Learning(MIL)と同様に、我々のフレームワークは、各ユーザのバッグ毎のユーザアップリフト予測をバッグ単位のATE予測としてまとめ、それをATEラベルに正規化し、より正確な個別アップリフトを学習する。
さらに、分数処理効果を増幅するために、バッグはランダムなインスタンスではなく、隣接する個々の上昇予測を持つインスタンスで構成されている。
2つのデータセットで行った実験は、提案フレームワークの有効性と普遍性を示している。
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 Two Stage Decoupling With Adaptive Personalization Layers [5.69361786082969]
フェデレーション学習は、プライバシ制約を維持しながら分散学習を可能にする能力によって、大きな注目を集めている。
本質的には、学習の劣化と収束速度の低下を経験する。
等質なクライアントを同じ群にクラスタリングするという概念を採用することは自然であり、各群内のモデル重みのみを集約することができる。
論文 参考訳（メタデータ） (2023-08-30T07:46:32Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳（メタデータ） (2023-04-07T23:51:07Z) - 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) - Uplifting Bandits [23.262188897812475]
報酬は複数の確率変数の和であり、各アクションはそれらの一部の分布だけを変化させるマルチアームバンディットモデルを導入する。
このモデルはマーケティングキャンペーンやレコメンデーションシステムによって動機付けられており、そこでは変数が個々の顧客の結果を表す。
ベースライン上のアクションの上昇を推定する UCB スタイルのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-06-08T18:00:56Z) - Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。
CPRは、露出メカニズムを知らずに不偏の推奨を達成する。
理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
論文 参考訳（メタデータ） (2022-04-26T09:20:27Z) - Undersmoothing Causal Estimators with Generative Trees [0.0]
観察データから個別に治療効果を推定することで、標的となる介入の可能性を解き放つことができる。
しかし、観測データからこれらの効果を推測することは困難である。
本稿では,モデルの不特定に対処する新しい生成木に基づくアプローチについて検討する。
論文 参考訳（メタデータ） (2022-03-16T11:59:38Z) - 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) - Rethinking InfoNCE: How Many Negative Samples Do You Need? [54.146208195806636]
半定量的理論フレームワークを用いて, InfoNCE に最適化された負のサンプル数について検討した。
トレーニングの有効性関数を最大化する$K$値を用いて,最適負サンプリング比を推定する。
論文 参考訳（メタデータ） (2021-05-27T08:38:29Z) - Fine-Tuning Pretrained Language Models: Weight Initializations, Data
Orders, and Early Stopping [62.78338049381917]
教師付き下流タスクのための微調整済み文脈単語埋め込みモデルは、自然言語処理において一般的なものとなっている。
GLUEベンチマークから得られた4つのデータセットを実験し、無作為な種だけを変えながら、それぞれに数百回微調整されたBERTを実験した。
これまでに報告した結果と比較すると,性能が大幅に向上し,微調整試行回数の関数としてベストファウンドモデルの性能がどう変化するかが定量化される。
論文 参考訳（メタデータ） (2020-02-15T02:40:10Z)
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。