Fugu-MT 論文翻訳(概要): Decision Focused Causal Learning for Direct Counterfactual Marketing Optimization

論文の概要: Decision Focused Causal Learning for Direct Counterfactual Marketing Optimization

arxiv url: http://arxiv.org/abs/2407.13664v1
Date: Thu, 18 Jul 2024 16:39:44 GMT
ステータス: 処理完了
システム内更新日: 2024-07-19 14:41:26.042844
Title: Decision Focused Causal Learning for Direct Counterfactual Marketing Optimization
Title（参考訳）: 直接対物マーケティング最適化のための因果学習に着目した意思決定
Authors: Hao Zhou, Rongxiao Huang, Shaoming Li, Guibin Jiang, Jiaqi Zheng, Bing Cheng, Wei Lin,
Abstract要約: 決定集中学習(DFL)は機械学習(ML)と最適化をエンドツーエンドフレームワークに統合する。しかし、DFLをマーケティングに展開するのは、複数の技術的課題のために簡単ではない。本稿では,直接対物マーケティングのための意思決定型因果学習フレームワーク(DFCL)を提案する。
参考スコア（独自算出の注目度）: 21.304040539486184
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Marketing optimization plays an important role to enhance user engagement in online Internet platforms. Existing studies usually formulate this problem as a budget allocation problem and solve it by utilizing two fully decoupled stages, i.e., machine learning (ML) and operation research (OR). However, the learning objective in ML does not take account of the downstream optimization task in OR, which causes that the prediction accuracy in ML may be not positively related to the decision quality. Decision Focused Learning (DFL) integrates ML and OR into an end-to-end framework, which takes the objective of the downstream task as the decision loss function and guarantees the consistency of the optimization direction between ML and OR. However, deploying DFL in marketing is non-trivial due to multiple technological challenges. Firstly, the budget allocation problem in marketing is a 0-1 integer stochastic programming problem and the budget is uncertain and fluctuates a lot in real-world settings, which is beyond the general problem background in DFL. Secondly, the counterfactual in marketing causes that the decision loss cannot be directly computed and the optimal solution can never be obtained, both of which disable the common gradient-estimation approaches in DFL. Thirdly, the OR solver is called frequently to compute the decision loss during model training in DFL, which produces huge computational cost and cannot support large-scale training data. In this paper, we propose a decision focused causal learning framework (DFCL) for direct counterfactual marketing optimization, which overcomes the above technological challenges. Both offline experiments and online A/B testing demonstrate the effectiveness of DFCL over the state-of-the-art methods. Currently, DFCL has been deployed in several marketing scenarios in Meituan, one of the largest online food delivery platform in the world.
Abstract（参考訳）: マーケティング最適化は、オンラインインターネットプラットフォームにおけるユーザエンゲージメントを高める上で重要な役割を果たす。既存の研究は通常、この問題を予算配分問題として定式化し、2つの完全に分離された段階、すなわち機械学習(ML)と運用研究(OR)を利用して解決する。しかし、MLの学習目的は、ORの下流最適化タスクを考慮していないため、MLの予測精度が判定品質に肯定的な関係がない可能性がある。決定集中学習(DFL)は、MLとORをエンドツーエンドのフレームワークに統合し、下流タスクの目的を意思決定損失関数として捉え、MLとOR間の最適化方向の整合性を保証する。しかし、DFLをマーケティングに展開するのは、複数の技術的課題のために簡単ではない。第一に、マーケティングにおける予算配分問題は0-1整数確率的プログラミングの問題であり、予算は不確実であり、DFLの一般的な問題背景を超越した現実的な設定で大きく変動する。第二に、マーケティングにおける反事実は、決定損失を直接計算できず、最適解が得られない原因であり、どちらもDFLの一般的な勾配推定アプローチを無効にしている。第3に、ORソルバは、DFLにおけるモデルトレーニング中の決定損失を計算するために頻繁に呼ばれるが、これは膨大な計算コストを発生させ、大規模なトレーニングデータをサポートできない。本稿では,このような技術的課題を克服する,直接対実的マーケティング最適化のための意思決定中心因果学習フレームワーク(DFCL)を提案する。オフライン実験とオンラインA/Bテストの両方が、最先端の手法に対するDFCLの有効性を示している。 DFCLは現在、世界最大のオンラインフードデリバリープラットフォームの1つであるMeituanで、いくつかのマーケティングシナリオにデプロイされている。

関連論文リスト

Learning Constrained Optimization with Deep Augmented Lagrangian Methods [54.22290715244502]
機械学習(ML)モデルは、制約付き最適化ソルバをエミュレートするために訓練される。本稿では,MLモデルを用いて2つの解推定を直接予測する手法を提案する。これにより、双対目的が損失関数であるエンドツーエンドのトレーニングスキームと、双対上昇法をエミュレートした原始的実現可能性への解推定を可能にする。
論文参考訳（メタデータ） (2024-03-06T04:43:22Z)
Locally Convex Global Loss Network for Decision-Focused Learning [0.5242869847419834]
決定中心学習(DFL)は、予測と最適化を統合するタスク指向のフレームワークである。 DFLで実装可能なグローバルサロゲート損失モデルLCGLNを提案する。
論文参考訳（メタデータ） (2024-03-04T09:31:56Z)
On Leveraging Large Language Models for Enhancing Entity Resolution: A Cost-efficient Approach [7.996010840316654]
本稿では,Large Language Models (LLMs) を用いた不確実性低減フレームワークを提案する。 LLMは、先進的な言語能力と、広範なデータサイエンスの専門知識を持たない人々に対して大きな利点をもたらす「従量制」モデルに便乗している。我々は,本手法が効率的かつ効果的であることを示し,実世界のタスクに有望な応用を提供する。
論文参考訳（メタデータ） (2024-01-07T09:06:58Z)
Unleashing the Power of Pre-trained Language Models for Offline Reinforcement Learning [54.682106515794864]
オフライン強化学習(RL)は、事前コンパイルされたデータセットを使用して、ほぼ最適ポリシーを見つけることを目的としている。本稿では、オフラインRLに事前学習言語モデル(LM)を使用するための決定変換器に基づく一般的なフレームワークである、$textbfMo$tion Control用の$textbfLanguage Models(textbfLaMo$)を紹介する。経験的な結果から、$textbfLaMo$はスパース・リワードタスクで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2023-10-31T16:24:17Z)
Model-based Constrained MDP for Budget Allocation in Sequential Incentive Marketing [28.395877073390434]
逐次インセンティブマーケティングは、オンラインビジネスにとって顧客を獲得し、忠誠心を高め、売上を伸ばすための重要なアプローチである。予算制約下でのリターンを最大化するインセンティブを効果的に割り当てる方法については、文献ではあまり研究されていない。本稿では,2項探索とモデルベース計画を組み合わせた効率的な学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-03-02T08:10:45Z)
Online Learning under Budget and ROI Constraints via Weak Adaptivity [57.097119428915796]
制約付きオンライン学習問題に対する既存の原始双対アルゴリズムは、2つの基本的な仮定に依存している。このような仮定は、標準の原始双対テンプレートを弱適応的後悔最小化器で与えることによって、どのように回避できるのかを示す。上記の2つの前提が満たされていない場合に保証される、世界の最高の保証を証明します。
論文参考訳（メタデータ） (2023-02-02T16:30:33Z)
Direct Heterogeneous Causal Learning for Resource Allocation Problems in Marketing [20.9377115817821]
マーケティングは、ユーザのエンゲージメントを高め、プラットフォーム収益を改善するための重要なメカニズムである。マーケティングにおける意思決定問題は資源配分問題として定式化され、数十年にわたって研究されてきた。既存の作業は通常、解法を2つの完全に分離された段階、すなわち機械学習(ML)と操作研究(OR)に分割する。
論文参考訳（メタデータ） (2022-11-28T19:27:34Z)
Expert-Calibrated Learning for Online Optimization with Switching Costs [28.737193318136725]
スイッチングコストによるオンライン凸最適化について検討する。機械学習(ML)ベースのパワーを取り入れることで、MLに強化されたオンラインアルゴリズムが最先端として現れている。本稿では,エキスパートキャリブレータを明示的に考慮し,MLに基づくアルゴリズムを訓練するEC-L2Oを提案する。
論文参考訳（メタデータ） (2022-04-18T21:54:33Z)
Contingency-Aware Influence Maximization: A Reinforcement Learning Approach [52.109536198330126]
インフルエンス(IM)問題は、インフルエンスの普及を最大化する、ソーシャルネットワーク内のシードノードのサブセットを見つけることを目的としている。本研究では、招待されたノードがシードであるかどうかが不確実なIM問題(contingency-aware IM)に焦点をあてる。最初の成功にもかかわらず、より多くのコミュニティへのソリューションの推進における大きな実践上の障害は、欲張りのアルゴリズムの巨大な実行時である。
論文参考訳（メタデータ） (2021-06-13T16:42:22Z)
Towards Accurate Knowledge Transfer via Target-awareness Representation Disentanglement [56.40587594647692]
本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。 TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
論文参考訳（メタデータ） (2020-10-16T17:45:08Z)
Learning What to Defer for Maximum Independent Sets [84.00112106334655]
本稿では,各段階における解の要素的決定を学習することにより,エージェントが適応的に段階数を縮小あるいは拡張する,新たなDRL方式を提案する。提案手法を最大独立集合(MIS)問題に適用し、現状のDRL方式よりも大幅に改善したことを示す。
論文参考訳（メタデータ） (2020-06-17T02:19:31Z)

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。