Fugu-MT 論文翻訳(概要): Double Machine Learning at Scale to Predict Causal Impact of Customer Actions

論文の概要: Double Machine Learning at Scale to Predict Causal Impact of Customer Actions

arxiv url: http://arxiv.org/abs/2409.02332v1
Date: Tue, 3 Sep 2024 23:13:04 GMT
ステータス: 処理完了
システム内更新日: 2024-09-05 20:51:59.806969
Title: Double Machine Learning at Scale to Predict Causal Impact of Customer Actions
Title（参考訳）: 顧客行動の因果的影響を予測するためのスケールでのダブル機械学習
Authors: Sushant More, Priya Kotwal, Sujith Chappidi, Dinesh Mandalapu, Chris Khawand,
Abstract要約: 二重機械学習(DML)手法を用いて、100件の顧客行動にまたがる因果影響(CI)の値を推定する。 Sparkをベースとした因果MLライブラリを通じてDMLを運用しています。我々は、信頼区間とともに、人口レベルと顧客レベルのCI値を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Causal Impact (CI) of customer actions are broadly used across the industry to inform both short- and long-term investment decisions of various types. In this paper, we apply the double machine learning (DML) methodology to estimate the CI values across 100s of customer actions of business interest and 100s of millions of customers. We operationalize DML through a causal ML library based on Spark with a flexible, JSON-driven model configuration approach to estimate CI at scale (i.e., across hundred of actions and millions of customers). We outline the DML methodology and implementation, and associated benefits over the traditional potential outcomes based CI model. We show population-level as well as customer-level CI values along with confidence intervals. The validation metrics show a 2.2% gain over the baseline methods and a 2.5X gain in the computational time. Our contribution is to advance the scalable application of CI, while also providing an interface that allows faster experimentation, cross-platform support, ability to onboard new use cases, and improves accessibility of underlying code for partner teams.
Abstract（参考訳）: 顧客行動の因果的影響(CI)は、様々なタイプの短期的および長期的な投資決定を通知するために、業界全体で広く利用されている。本稿では、二重機械学習(DML)手法を用いて、ビジネス関心の100件の顧客行動と100万件の顧客行動のCI値を推定する。私たちはDMLをSparkベースの因果的MLライブラリを通じて運用し、フレキシブルでJSON駆動のモデル構成アプローチを使用して、大規模なCI(数百のアクションと数百万の顧客)を見積もっています。 DMLの方法論と実装、および従来型の潜在的成果に基づくCIモデルに対する関連するメリットについて概説する。我々は、信頼区間とともに、人口レベルと顧客レベルのCI値を示す。検証基準はベースライン法よりも2.2%向上し、計算時間は2.5倍向上した。当社のコントリビューションは、CIのスケーラブルなアプリケーションを推進すると同時に、より高速な実験、クロスプラットフォームのサポート、新たなユースケースの導入、パートナーチームに対する基盤となるコードへのアクセス性の向上を可能にするインターフェースの提供にあります。

関連論文リスト

Revisiting Reliability in Large-Scale Machine Learning Research Clusters [5.028600213808539]
信頼性は、大規模な機械学習インフラストラクチャを操作する上での根本的な課題である。インフラストラクチャ障害に関する何十年もの研究にもかかわらず、さまざまなスケールでのジョブ障害の影響は、まだ不明である。本稿では,2つの大規模マルチテナントMLクラスタを管理する視点について述べる。
論文参考訳（メタデータ） (2024-10-29T03:02:53Z)
Using Deep Autoregressive Models as Causal Inference Engines [38.26602521505842]
本稿では,現代アプリケーションに共通する複雑な共同ファウンダーやシーケンシャルアクションを扱える自己回帰型因果推論フレームワークを提案する。本手法は,基礎となる因果線図からトークンの列へと変換する。我々は,CIに適応したARモデルは,迷路をナビゲートしたり,チェスのエンドゲームを行ったり,あるキーワードが紙の受容率に与える影響を評価するなど,様々な複雑な応用において効率的かつ効果的であることが実証された。
論文参考訳（メタデータ） (2024-09-27T09:37:09Z)
Improved Diversity-Promoting Collaborative Metric Learning for Recommendation [127.08043409083687]
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） (2024-09-02T07:44:48Z)
Churn Prediction via Multimodal Fusion Learning:Integrating Customer Financial Literacy, Voice, and Behavioral Data [14.948017876322597]
本稿では,金融サービスプロバイダの顧客リスクレベルを特定するためのマルチモーダル融合学習モデルを提案する。弊社のアプローチは、顧客感情の財務リテラシー(FL)レベルと、財務行動データを統合している。我々の新しいアプローチは、チャーン予測の顕著な改善を示し、テスト精度91.2%、平均精度66、マクロ平均F1スコア54を達成した。
論文参考訳（メタデータ） (2023-12-03T06:28:55Z)
A Meta-learning based Stacked Regression Approach for Customer Lifetime Value Prediction [3.6002910014361857]
顧客ライフタイムバリュー(英:Customer Lifetime Value、CLV)とは、取引/購入の合計金額である。 CLVは、銀行、保険、オンラインエンタテインメント、ゲーム、Eコマースなど、いくつかの異なるビジネスドメインでアプリケーションを見つける。本稿では,効果的かつ包括的かつシンプルかつ解釈可能なシステムを提案する。
論文参考訳（メタデータ） (2023-08-07T14:22:02Z)
CAM2: Conformity-Aware Multi-Task Ranking Model for Large-Scale Recommender Systems [0.0]
本稿では,業界最大のレコメンデーションプラットフォームであるCAM2を紹介する。オンライン実験を通して、CAM2モデルがユーザエンゲージメントの累積を0.50%増加させることを示す。
論文参考訳（メタデータ） (2023-04-17T19:00:55Z)
Variable Importance Matching for Causal Inference [73.25504313552516]
これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。 Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。 LASSO を用いて Model-to-Match フレームワークを運用する。
論文参考訳（メタデータ） (2023-02-23T00:43:03Z)
No One Left Behind: Inclusive Federated Learning over Heterogeneous Devices [79.16481453598266]
この問題に対処するクライアント包摂的フェデレーション学習手法であるInclusiveFLを提案する。 InclusiveFLの中核となる考え方は、異なるサイズのモデルを異なる計算能力を持つクライアントに割り当てることである。また,異なる大きさの複数の局所モデル間で知識を共有する効果的な手法を提案する。
論文参考訳（メタデータ） (2022-02-16T13:03:27Z)
Curriculum Learning for Safe Mapless Navigation [71.55718344087657]
本研究は,カリキュラム学習(CL)に基づくアプローチがエージェントのパフォーマンスに与える影響について検討する。特に、ロボットマップレスナビゲーションの安全性に焦点をあて、標準的なエンドツーエンド(E2E)トレーニング戦略と比較する。
論文参考訳（メタデータ） (2021-12-23T12:30:36Z)
CPM-2: Large-scale Cost-effective Pre-trained Language Models [71.59893315671997]
本稿では, PLM を用いた事前学習, 微調整, 推論の効率性問題に対処するための費用対効果技術について述べる。我々は,既存のPLMをスクラッチからトレーニングする代わりに活用することで,事前学習プロセスの促進を目的とした知識継承を導入する。計算資源が限られている大規模PLMに対して,新しい推論ツールキット,すなわちInfMoEを実装した。
論文参考訳（メタデータ） (2021-06-20T15:43:54Z)
Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
論文参考訳（メタデータ） (2021-01-24T05:40:29Z)

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。