論文の概要: DCRMTA: Unbiased Causal Representation for Multi-touch Attribution

• arxiv url: http://arxiv.org/abs/2401.08875v1
• Date: Tue, 16 Jan 2024 23:16:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-18 17:39:11.018805
• Title: DCRMTA: Unbiased Causal Representation for Multi-touch Attribution
• Title（参考訳）: DCRMTA:マルチタッチ属性のための曖昧な因果表現
• Authors: Jiaming Tang
• Abstract要約: MTA(Multi-touch Attribution)は、現在、各広告タッチポイントの変換行動に対する貢献を公平に評価する上で重要な役割を担っている。 本稿では,ユーザフェースチャーの変換に対する因果関係を再定義し,MTAのための新しいエンド・ツー・エンドアプローチであるDeep Causal Representationを提案する。
• 参考スコア（独自算出の注目度）: 0.2417342411475111
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-touch attribution (MTA) currently plays a pivotal role in achieving a fair estimation of the contributions of each advertising touchpoint to-wards conversion behavior, deeply influencing budget allocation and advertising recommenda-tion. Traditional multi-touch attribution methods initially build a conversion prediction model, an-ticipating learning the inherent relationship be-tween touchpoint sequences and user purchasing behavior through historical data. Based on this, counterfactual touchpoint sequences are con-structed from the original sequence subset, and conversions are estimated using the prediction model, thus calculating advertising contributions. A covert assumption of these methods is the un-biased nature of conversion prediction models. However, due to confounding variables factors arising from user preferences and internet recom-mendation mechanisms such as homogenization of ad recommendations resulting from past shop-ping records, bias can easily occur in conversion prediction models trained on observational data. This paper redefines the causal effect of user fea-tures on conversions and proposes a novel end-to-end approach, Deep Causal Representation for MTA (DCRMTA). Our model while eliminating confounding variables, extracts features with causal relations to conversions from users. Fur-thermore, Extensive experiments on both synthet-ic and real-world Criteo data demonstrate DCRMTA's superior performance in converting prediction across varying data distributions, while also effectively attributing value across dif-ferent advertising channels
• Abstract（参考訳）: MTA(Multi-touch Attribution)は、現在、各広告タッチポイントの変換行動に対する貢献を公平に評価し、予算配分や広告推薦に深く影響している。 従来のマルチタッチ属性手法は、最初は変換予測モデルを構築し、歴史的データを通して、タッチポイントシーケンスとユーザ購入行動の固有の関係を学習する。 これにより、元のシーケンスサブセットから反事実的なタッチポイントシーケンスを合成し、予測モデルを用いて変換を推定し、広告貢献度を算出する。 これらの手法の隠れた仮定は変換予測モデルのバイアスのない性質である。 しかし,過去の買い物記録から生じる広告レコメンデーションの均質化などのインターネット・リコメンデーション機構とユーザの嗜好から生じる変数要因の相違により,観測データに基づいて学習した変換予測モデルに偏りが生じやすい。 本稿では,ユーザフェースチャーの変換に対する因果関係を再定義し,MTA(DCRMTA)のための新しいエンド・ツー・エンドアプローチであるDeep Causal Representationを提案する。 本モデルでは,ユーザからの変換に因果関係のある特徴を抽出する。 synthet-icとreal-world criteoデータの両方に関する、より広範な実験は、drmtaが様々なデータ分布にまたがる予測を変換する上で優れた性能を示すと同時に、dif-ferent広告チャネルにまたがる価値を効果的に分配する。

関連論文リスト

• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• Generative Diffusion Models for Sequential Recommendations [7.948486055890262]
  変分オートエンコーダ(VAE)やGAN(Generative Adversarial Networks)のような生成モデルは、逐次レコメンデーションタスクにおいて有望であることを示している。 本研究では、ロバスト性を改善するためにDiffuRecアーキテクチャの拡張を導入し、関連するユーザとイテムのインタラクションをよりよく捉えるために、Approximatorにクロスアテンション機構を組み込んだ。
  論文  参考訳（メタデータ） (2024-10-25T09:39:05Z)
• Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
  拡散モデルは、生成的モデリングに大きな進歩をもたらした。 しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。 本稿では,テキスト・インフルエンス・ファンクション・フレームワークを開発することにより,このような課題に対処することを目的とする。
  論文  参考訳（メタデータ） (2024-10-17T17:59:02Z)
• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• Mitigating Shortcut Learning with Diffusion Counterfactuals and Diverse Ensembles [95.49699178874683]
  拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークDiffDivを提案する。 DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。 そこで本研究では,DPM誘導の多様化は,教師付き信号の追加を必要とせず,ショートカットキューへの依存を取り除くのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:47:33Z)
• Ad-Rec: Advanced Feature Interactions to Address Covariate-Shifts in Recommendation Networks [2.016365643222463]
  データ分散のドリフトを処理し、ユーザの振る舞いの変化に適応するためには、クロスフィーチャー学習が不可欠だ。 この研究は、共変量シフトに対処する機能インタラクション技術を活用するネットワークであるAd-Recを導入している。 提案手法は,AUC(Area Under Curve)測定値により,モデル品質の向上,収束の促進,トレーニング時間短縮を実現する。
  論文  参考訳（メタデータ） (2023-08-28T21:08:06Z)
• Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation [50.93536377097659]
  本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。 この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
  論文  参考訳（メタデータ） (2023-04-17T00:10:56Z)
• DELTA: Diverse Client Sampling for Fasting Federated Learning [9.45219058010201]
  フェデレーテッド・ラーニング(FL)では、コミュニケーションの負担を効率的に軽減するために、部分的なクライアント参加が広く採用されている。 既存のサンプリング手法はバイアスを受けるか、より高速な収束のためにさらに最適化することができる。 DELTAは,これらの問題を緩和するための非バイアスサンプリング方式である。
  論文  参考訳（メタデータ） (2022-05-27T12:08:23Z)
• Deep Causal Reasoning for Recommendations [47.83224399498504]
  推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。 提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。 MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2022-01-06T15:00:01Z)
• CausalMTA: Eliminating the User Confounding Bias for Causal Multi-touch Attribution [16.854552780506822]
  ユーザの好みの影響を排除するために,CausalMTAを提案する。 CaulMTAは最先端手法よりも優れた予測性能を実現する。 また、異なる広告チャンネル間で有意義な属性クレジットを生成する。
  論文  参考訳（メタデータ） (2021-12-21T01:59:16Z)

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。