論文の概要: DCRMTA: Unbiased Causal Representation for Multi-touch Attribution
- arxiv url: http://arxiv.org/abs/2401.08875v2
- Date: Mon, 5 Feb 2024 08:43:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 03:05:56.390432
- 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。
これまでの研究は、利用者の好みに起因したバイアスを排除し、変換モデルのバイアスのない仮定を達成しようと試みてきた。
本稿では、ユーザ特徴がコンバージョンに与える影響を再定義し、MTAのための新しいエンドツーエンドのap-proach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. Previous works attempted to eliminate the bias caused by user
preferences to achieve the unbiased assumption of the conversion model. The
multi-model collaboration method is not ef-ficient, and the complete
elimination of user in-fluence also eliminates the causal effect of user
features on conversion, resulting in limited per-formance of the conversion
model. This paper re-defines the causal effect of user features on con-versions
and proposes a novel end-to-end ap-proach, Deep Causal Representation for MTA
(DCRMTA). Our model focuses on extracting causa features between conversions
and users while eliminating confounding variables. Fur-thermore, extensive
experiments 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。
以前の研究は、変換モデルの偏りのない仮定を達成するために、ユーザの好みに起因するバイアスを取り除こうとした。
マルチモデル協調方式は効率的ではなく、ユーザインフルエンスを完全に排除することで、変換に対するユーザ特徴の因果効果も排除され、変換モデルの性能が制限される。
本稿では,コンバージョンにおけるユーザ特徴の因果効果を再定義し,mta (deep causal representation for mta) を提案する。
本モデルは,共起変数を排除しつつ,変換とユーザ間の因果関係を抽出することに焦点を当てる。
さらに、DCRMTAが様々なデータ分布にまたがって予測を変換する際の優れた性能を示すとともに、ディフフェレント広告チャネル間で効果的に価値をもたらすことを示す。
関連論文リスト
- Debiasing Multimodal Models via Causal Information Minimization [65.23982806840182]
我々は、マルチモーダルデータのための因果グラフにおいて、共同創設者から生じるバイアスを研究する。
ロバストな予測機能は、モデルがアウト・オブ・ディストリビューションデータに一般化するのに役立つ多様な情報を含んでいる。
これらの特徴を共同設立者表現として使用し、因果理論によって動機づけられた手法を用いてモデルからバイアスを取り除く。
論文 参考訳(メタデータ) (2023-11-28T16:46:14Z) - Mitigating Biases with Diverse Ensembles and Diffusion Models [99.6100669122048]
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,制御信号の追加を必要とせず,一次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) - UniMatch: A Unified User-Item Matching Framework for the Multi-purpose
Merchant Marketing [27.459774494479227]
1つのモデルでアイテムレコメンデーションとユーザターゲティングを同時に行うために,統合されたユーザイテムマッチングフレームワークを提案する。
我々のフレームワークは、最先端の手法と比較して大幅に性能が向上し、計算資源や日々のメンテナンスにかかるコストが大幅に削減された。
論文 参考訳(メタデータ) (2023-07-19T13:49:35Z) - 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) - The Minority Matters: A Diversity-Promoting Collaborative Metric
Learning Algorithm [154.47590401735323]
CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。
本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。
textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2022-09-30T08:02:18Z) - 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) - Harnessing Perceptual Adversarial Patches for Crowd Counting [92.79051296850405]
群衆のカウントは、物理的な世界の敵の例に弱い。
本稿では,モデル間での知覚的特徴の共有を学習するためのPAP(Perceptual Adrial Patch)生成フレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-16T13:51:39Z)
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。