論文の概要: Graph Neural Network with Two Uplift Estimators for Label-Scarcity Individual Uplift Modeling

• arxiv url: http://arxiv.org/abs/2403.06489v1
• Date: Mon, 11 Mar 2024 07:51:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-12 20:04:01.315673
• Title: Graph Neural Network with Two Uplift Estimators for Label-Scarcity Individual Uplift Modeling
• Title（参考訳）: ラベル・スカーシティ個人昇降モデルのための2つの昇降推定器を用いたグラフニューラルネットワーク
• Authors: Dingyuan Zhu, Daixin Wang, Zhiqiang Zhang, Kun Kuang, Yan Zhang, Yulin Kang, Jun Zhou
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 30.16065210190575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uplift modeling aims to measure the incremental effect, which we call uplift, of a strategy or action on the users from randomized experiments or observational data. Most existing uplift methods only use individual data, which are usually not informative enough to capture the unobserved and complex hidden factors regarding the uplift. Furthermore, uplift modeling scenario usually has scarce labeled data, especially for the treatment group, which also poses a great challenge for model training. Considering that the neighbors' features and the social relationships are very informative to characterize a user's uplift, we propose a graph neural network-based framework with two uplift estimators, called GNUM, to learn from the social graph for uplift estimation. Specifically, we design the first estimator based on a class-transformed target. The estimator is general for all types of outcomes, and is able to comprehensively model the treatment and control group data together to approach the uplift. When the outcome is discrete, we further design the other uplift estimator based on our defined partial labels, which is able to utilize more labeled data from both the treatment and control groups, to further alleviate the label scarcity problem. Comprehensive experiments on a public dataset and two industrial datasets show a superior performance of our proposed framework over state-of-the-art methods under various evaluation metrics. The proposed algorithms have been deployed online to serve real-world uplift estimation scenarios.
• Abstract（参考訳）: アップリフトモデリングは、ランダム化実験や観測データからユーザに対する戦略や行動の漸進的な効果を測定することを目的としている。 既存のアップリフトメソッドは個々のデータのみを使用するが、これは通常、アップリフトに関する観測不能で複雑な隠れた要素をキャプチャするのに十分な情報ではない。 さらに、アップリフト・モデリングのシナリオは、通常、ラベル付きデータが少なく、特に治療グループでは、モデルトレーニングにとって大きな課題となる。 近隣住民の特徴や社会的関係がユーザの隆起を特徴付けるのに非常に有意義であることを考えると,GNUMと呼ばれる2つの隆起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。 具体的には、クラス変換されたターゲットに基づいて、最初の推定器を設計する。 推定器はあらゆる種類の結果に対して一般的であり、グループデータの処理と制御を包括的にモデル化し、上昇にアプローチすることができる。 結果が離散的であれば,定義した部分ラベルに基づいて,ラベル不足問題を軽減するために,処理群と制御群の両方のラベル付きデータを利用することのできる,他のアップリフト推定器をさらに設計する。 公開データセットと2つの産業データセットに関する包括的実験は、様々な評価指標において、最先端手法よりも優れた性能を示す。 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。

関連論文リスト

• Scaling Laws for the Value of Individual Data Points in Machine Learning [55.596413470429475]
  個々のデータポイントの値のスケーリング行動を調べることによって、新しい視点を導入する。 スケーリング法則を支持するための学習理論を提供し、それが様々なモデルクラスにまたがっていることを実証的に観察する。 私たちの研究は、個々のデータポイントの値のスケーリング特性を理解し、活用するための第一歩です。
  論文  参考訳（メタデータ） (2024-05-30T20:10:24Z)
• Multiple Instance Learning for Uplift Modeling [46.1924474929763]
  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。
  論文  参考訳（メタデータ） (2023-12-15T09:28:40Z)
• Uplift Modeling based on Graph Neural Network Combined with Causal Knowledge [9.005051998738134]
  本稿では、因果知識と昇降値の見積を組み合わせたグラフニューラルネットワークに基づくフレームワークを提案する。 本手法は, 典型的なシミュレーションデータに小さな誤差を伴って, 昇降値の予測に有効であることを示す。
  論文  参考訳（メタデータ） (2023-11-14T07:21:00Z)
• Combining Public Human Activity Recognition Datasets to Mitigate Labeled Data Scarcity [1.274578243851308]
  本稿では,一般公開されたデータセットと一般化されたHARモデルを学習するための新たな戦略を提案する。 我々の実験評価は、さまざまな最先端ニューラルネットワークアーキテクチャの実験を含むもので、公開データセットを組み合わせることで、ラベル付きサンプルの数を著しく削減できることを示している。
  論文  参考訳（メタデータ） (2023-06-23T18:51:22Z)
• Activity-aware Human Mobility Prediction with Hierarchical Graph Attention Recurrent Network [6.8500997328311]
  本稿では,HGARN(Hierarchical Graph Attention Recurrent Network)を用いて人体移動予測を行う。 具体的には、すべてのユーザの履歴移動記録に基づいて階層グラフを構築する。 複雑な時間-アクティビティ-ロケーションの依存関係をキャプチャするために、階層的なグラフアテンションモジュールを使用します。
  論文  参考訳（メタデータ） (2022-10-14T12:56:01Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• From Canonical Correlation Analysis to Self-supervised Graph Neural Networks [99.44881722969046]
  本稿では,グラフデータを用いた自己教師付き表現学習のための概念的単純かつ効果的なモデルを提案する。 古典的カノニカル相関解析にインスパイアされた,革新的な特徴レベルの目的を最適化する。 提案手法は、7つの公開グラフデータセット上で競合的に動作する。
  論文  参考訳（メタデータ） (2021-06-23T15:55:47Z)
• Visual Distant Supervision for Scene Graph Generation [66.10579690929623]
  シーングラフモデルは通常、大量のラベル付きデータを人間のアノテーションで教師付き学習する必要がある。 本研究では,人間ラベルデータを用いずにシーングラフモデルを訓練できる視覚関係学習の新しいパラダイムである視覚遠方監視を提案する。 包括的な実験結果から、我々の遠隔監視モデルは、弱い監督と半監督のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2021-03-29T06:35:24Z)
• Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
  本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。 MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。 この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
  論文  参考訳（メタデータ） (2020-07-27T17:03:50Z)

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。