論文の概要: A Nonparametric Bayes Approach to Online Activity Prediction

• arxiv url: http://arxiv.org/abs/2401.14722v1
• Date: Fri, 26 Jan 2024 09:11:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-29 15:41:22.202267
• Title: A Nonparametric Bayes Approach to Online Activity Prediction
• Title（参考訳）: オンライン活動予測のための非パラメトリックベイズ手法
• Authors: Mario Beraha, Lorenzo Masoero, Stefano Favaro, Thomas S. Richardson
• Abstract要約: 特定の期間にアクティブになるユーザ数を予測するための新しい手法を提案する。 所定の期間に期待される新規ユーザ数に対するクローズドフォーム表現と,所望のユーザ数を達成するために必要な日数の後部分布を目標としたモンテカルロアルゴリズムを導出する。
• 参考スコア（独自算出の注目度）: 11.934335703226404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately predicting the onset of specific activities within defined timeframes holds significant importance in several applied contexts. In particular, accurate prediction of the number of future users that will be exposed to an intervention is an important piece of information for experimenters running online experiments (A/B tests). In this work, we propose a novel approach to predict the number of users that will be active in a given time period, as well as the temporal trajectory needed to attain a desired user participation threshold. We model user activity using a Bayesian nonparametric approach which allows us to capture the underlying heterogeneity in user engagement. We derive closed-form expressions for the number of new users expected in a given period, and a simple Monte Carlo algorithm targeting the posterior distribution of the number of days needed to attain a desired number of users; the latter is important for experimental planning. We illustrate the performance of our approach via several experiments on synthetic and real world data, in which we show that our novel method outperforms existing competitors.
• Abstract（参考訳）: 定義された時間枠内の特定のアクティビティの開始を正確に予測することは、いくつかの適用コンテキストにおいて重要な意味を持つ。 特に、介入にさらされる将来のユーザ数の正確な予測は、オンライン実験(a/bテスト)を実行する実験者にとって重要な情報である。 本研究では,所定の期間にアクティブなユーザ数と,所望のユーザ参加しきい値を達成するのに必要な時間的軌跡を予測するための新しい手法を提案する。 ベイズ的非パラメトリックアプローチを用いてユーザアクティビティをモデル化し、ユーザエンゲージメントの基盤となる不均一性を捉える。 我々は,所定の期間に期待される新規ユーザ数に対するクローズドフォーム表現と,所望のユーザ数を達成するのに必要な日数の後方分布を目標とする単純なモンテカルロアルゴリズムを導出し,後者は実験計画に重要である。 本稿では,本手法が既存の競合相手よりも優れていることを示す,合成および実世界のデータに関するいくつかの実験を通じて,本手法の性能について述べる。

関連論文リスト

• New User Event Prediction Through the Lens of Causal Inference [20.676353189313737]
  新規ユーザのための新しい離散イベント予測フレームワークを提案する。 提案手法は,カテゴリを知る必要のない新規ユーザに対して,バイアスのない予測を提供する。 数値シミュレーションと実世界の2つの応用を用いて,提案手法の優れた性能を実証する。
  論文  参考訳（メタデータ） (2024-07-08T05:35:54Z)
• Improved prediction of future user activity in online A/B testing [9.824661943331119]
  オンラインランダム化実験やA/Bテストでは、参加者参加率の正確な予測が最も重要である。 我々は、個人が介入に晒される率を予測するために、新しく、単純でスケーラブルなベイズ非パラメトリックアプローチを提案する。
  論文  参考訳（メタデータ） (2024-02-05T17:44:21Z)
• Improving Event Time Prediction by Learning to Partition the Event Time Space [13.5391816206237]
  最近開発された生存分析法は, 未特定時間間隔のそれぞれの事象発生確率を予測し, 既存手法を改良した。 限られた利用可能なデータを持つ臨床環境では、手前の予測タスクに適した限られた間隔にイベント時間空間を散発的に分割することが好ましい。 2つのシミュレーションデータセットにおいて、基礎となる生成モデルと一致する間隔を復元できることが示される。 次に,新たに調和した脳卒中リスク予測データセットを含む実世界の3つの観測データに対して,予測性能の向上を示す。
  論文  参考訳（メタデータ） (2023-10-24T14:11:40Z)
• 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)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• Personalizing Intervened Network for Long-tailed Sequential User Behavior Modeling [66.02953670238647]
  タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。 テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。 本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-08-19T02:50:19Z)
• PinnerFormer: Sequence Modeling for User Representation at Pinterest [60.335384724891746]
  我々は、ユーザの将来的なエンゲージメントを予測するためにトレーニングされたユーザ表現であるPinnerFormerを紹介する。 従来のアプローチとは異なり、新しい密集した全アクション損失を通じて、モデリングをバッチインフラストラクチャに適応させます。 その結果,1日に1回発生するバッチユーザ埋め込みと,ユーザがアクションを行うたびに発生するリアルタイムユーザ埋め込みとの間には,大きなギャップがあることが判明した。
  論文  参考訳（メタデータ） (2022-05-09T18:26:51Z)
• Sequential Search with Off-Policy Reinforcement Learning [48.88165680363482]
  本稿では,RNN学習フレームワークとアテンションモデルからなる,スケーラブルなハイブリッド学習モデルを提案する。 新たな最適化のステップとして、1つのRNNパスに複数の短いユーザシーケンスをトレーニングバッチ内に収める。 また、マルチセッションパーソナライズされた検索ランキングにおける非政治強化学習の利用についても検討する。
  論文  参考訳（メタデータ） (2022-02-01T06:52:40Z)
• Bayesian Sample Size Prediction for Online Activity [5.685803049176655]
  特定の期間に特定の活動を開始する集団の個体数を予測することは有用である。 本稿では,その後の期間に参加する追加の個人数を予測するための,単純だが新しいベイズ的手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T21:16:17Z)
• Dynamic Embeddings for Interaction Prediction [2.5758502140236024]
  推薦システム(RS)では、ユーザが対話する次の項目を予測することが、ユーザの保持に不可欠である。 近年,ユーザとアイテム間の相互相互作用を個別のユーザとアイテムの埋め込みを用いてモデル化する手法の有効性が示されている。 本稿では,DeePRed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） (2020-11-10T16:04:46Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。