論文の概要: Causal Feature Selection Method for Contextual Multi-Armed Bandits in Recommender System

• arxiv url: http://arxiv.org/abs/2409.13888v1
• Date: Fri, 20 Sep 2024 20:39:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 04:39:44.182421
• Title: Causal Feature Selection Method for Contextual Multi-Armed Bandits in Recommender System
• Title（参考訳）: Recommender システムにおけるコンテキスト多要素帯域の因果的特徴選択法
• Authors: Zhenyu Zhao, Yexi Jiang,
• Abstract要約: 機械学習モデルの特徴選択手法は、文脈的マルチアームバンディット(MAB)のユースケースでは不十分である。 本稿では,連続MAB問題を対象としたモデルフリー特徴選択手法を提案する。 その結果、この特徴選択法は、文脈的MAB報酬の増大につながる重要な特徴を効果的に選択することを示した。
• 参考スコア（独自算出の注目度）: 2.704084816922349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Features (a.k.a. context) are critical for contextual multi-armed bandits (MAB) performance. In practice of large scale online system, it is important to select and implement important features for the model: missing important features can led to sub-optimal reward outcome, and including irrelevant features can cause overfitting, poor model interpretability, and implementation cost. However, feature selection methods for conventional machine learning models fail short for contextual MAB use cases, as conventional methods select features correlated with the outcome variable, but not necessarily causing heterogeneuous treatment effect among arms which are truely important for contextual MAB. In this paper, we introduce model-free feature selection methods designed for contexutal MAB problem, based on heterogeneous causal effect contributed by the feature to the reward distribution. Empirical evaluation is conducted based on synthetic data as well as real data from an online experiment for optimizing content cover image in a recommender system. The results show this feature selection method effectively selects the important features that lead to higher contextual MAB reward than unimportant features. Compared with model embedded method, this model-free method has advantage of fast computation speed, ease of implementation, and prune of model mis-specification issues.
• Abstract（参考訳）: 特徴(文脈)は、文脈的マルチアーム・バンディット(MAB)のパフォーマンスに重要である。 大規模オンラインシステムでは,重要な特徴の欠如が準最適報酬の帰結を招き,不適切な機能を含むと過度に適合し,モデル解釈性が低下し,実装コストが低下する。 しかし、従来の機械学習モデルの特徴選択手法は、結果変数と相関する特徴を選択するが、文脈MABにとって真に重要である腕間で不均一な処理効果をもたらすとは限らないため、文脈MABのユースケースでは失敗する。 本稿では,その特徴が報奨分布に寄与する異種因果効果に基づいて,同種MAB問題のためのモデルフリー特徴選択手法を提案する。 推薦システムにおけるコンテンツカバー画像を最適化するためのオンライン実験から,合成データと実データに基づいて実験的な評価を行う。 その結果、この特徴選択法は、重要でない特徴よりも、文脈的MAB報酬につながる重要な特徴を効果的に選択することを示した。 モデル組込み手法と比較して,このモデルフリー手法は高速な計算速度,実装の容易さ,不特定問題の突発性を生かしている。

関連論文リスト

• REFRESH: Responsible and Efficient Feature Reselection Guided by SHAP Values [17.489279048199304]
  REFRESHは、いくつかの新しいモデルをトレーニングすることなく、モデルパフォーマンスに望ましい追加の制約を達成できるように、機能を再選択する手法である。 REFRESHの基盤となるアルゴリズムは、SHAP値と相関解析を用いて、モデルをトレーニングすることなくモデルの予測を近似できる新しい手法である。
  論文  参考訳（メタデータ） (2024-03-13T18:06:43Z)
• 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)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• FAStEN: An Efficient Adaptive Method for Feature Selection and Estimation in High-Dimensional Functional Regressions [7.674715791336311]
  本稿では,スパース関数オン・ファンクション回帰問題において特徴選択を行うための,新しい,柔軟な,超効率的なアプローチを提案する。 我々はそれをスカラー・オン・ファンクション・フレームワークに拡張する方法を示す。 AOMIC PIOP1による脳MRIデータへの応用について述べる。
  論文  参考訳（メタデータ） (2023-03-26T19:41:17Z)
• In Search of Insights, Not Magic Bullets: Towards Demystification of the Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
  本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。 選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
  論文  参考訳（メタデータ） (2023-02-06T16:55:37Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)
• Feature Selection for Huge Data via Minipatch Learning [0.0]
  安定ミニパッチ選択(STAMPS)と適応STAMPSを提案する。 STAMPSは、データの観測と特徴の両方の小さな(適応性の高い)ランダムなサブセットに基づいて訓練された基本特徴セレクタの選択イベントのアンサンブルを構築するメタアルゴリズムである。 われわれのアプローチは一般的であり、様々な機能選択戦略や機械学習技術に応用できる。
  論文  参考訳（メタデータ） (2020-10-16T17:41:08Z)
• Leveraging Model Inherent Variable Importance for Stable Online Feature Selection [16.396739487911056]
  本稿では,オンライン機能選択のための新しいフレームワークFIRESを紹介する。 私たちのフレームワークは、基盤となるモデルの選択をユーザに委ねるという点で一般的です。 実験の結果,提案フレームワークは特徴選択安定性の点で明らかに優れていることがわかった。
  論文  参考訳（メタデータ） (2020-06-18T10:01:18Z)
• Stepwise Model Selection for Sequence Prediction via Deep Kernel Learning [100.83444258562263]
  本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。 結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。 我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
  論文  参考訳（メタデータ） (2020-01-12T09:42:19Z)

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。