論文の概要: Heterogeneous Causal Learning for Optimizing Aggregated Functions in User Growth

• arxiv url: http://arxiv.org/abs/2507.05510v1
• Date: Mon, 07 Jul 2025 22:08:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.364533
• Title: Heterogeneous Causal Learning for Optimizing Aggregated Functions in User Growth
• Title（参考訳）: ユーザ成長における凝集関数の最適化のための不均一因果学習
• Authors: Shuyang Du, Jennifer Zhang, Will Y. Zou,
• Abstract要約: 本稿では,ユーザ成長マーケティングを強化するために,新しい処理効果最適化手法を提案する。 ディープラーニングを活用することで,過去の実験から学習し,ユーザの選択と報酬配分を最適化する。 提案した制約付きおよび直接最適化アルゴリズムは,最先端の手法よりも20%以上優れた性能を示した。
• 参考スコア（独自算出の注目度）: 0.7100520098029438
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: User growth is a major strategy for consumer internet companies. To optimize costly marketing campaigns and maximize user engagement, we propose a novel treatment effect optimization methodology to enhance user growth marketing. By leveraging deep learning, our algorithm learns from past experiments to optimize user selection and reward allocation, maximizing campaign impact while minimizing costs. Unlike traditional prediction methods, our model directly models uplifts in key business metrics. Further, our deep learning model can jointly optimize parameters for an aggregated loss function using softmax gating. Our approach surpasses traditional methods by directly targeting desired business metrics and demonstrates superior algorithmic flexibility in handling complex business constraints. Comprehensive evaluations, including comparisons with state-of-the-art techniques such as R-learner and Causal Forest, validate the effectiveness of our model. We experimentally demonstrate that our proposed constrained and direct optimization algorithms significantly outperform state-of-the-art methods by over $20\%$, proving their cost-efficiency and real-world impact. The versatile methods can be applied to various product scenarios, including optimal treatment allocation. Its effectiveness has also been validated through successful worldwide production deployments.
• Abstract（参考訳）: ユーザー成長は消費者インターネット企業にとって大きな戦略だ。 コストのかかるマーケティングキャンペーンを最適化し、ユーザエンゲージメントを最大化するために、ユーザ成長マーケティングを強化する新しい処理効果最適化手法を提案する。 ディープラーニングを活用することで、我々のアルゴリズムは過去の実験から学習し、ユーザ選択と報酬配分を最適化し、コストを最小化しながらキャンペーンへの影響を最大化する。 従来の予測方法とは異なり、私たちのモデルは重要なビジネスメトリクスで直接アップリフトをモデル化します。 さらに、我々のディープラーニングモデルでは、ソフトマックスゲーティングを用いて、集約された損失関数のパラメータを協調的に最適化することができる。 当社のアプローチは,望まれるビジネスメトリクスを直接ターゲットとする従来の手法を超越し,複雑なビジネス制約を扱う上で優れたアルゴリズム的柔軟性を示す。 R-learnerやCausal Forestといった最先端技術との比較を含む総合評価は,本モデルの有効性を検証した。 提案した制約付き直接最適化アルゴリズムは,コスト効率と実世界の影響を実証し,20 %以上のコストで最先端の手法を著しく上回っていることを実験的に実証した。 汎用的な手法は、最適な処理割り当てを含む、さまざまな製品シナリオに適用することができる。 その効果は、世界的な生産展開の成功を通じても検証されている。

関連論文リスト

• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• Discovering Preference Optimization Algorithms with and for Large Language Models [50.843710797024805]
  オフライン優先最適化は、LLM(Large Language Model)出力の品質を向上・制御するための重要な手法である。 我々は、人間の介入なしに、新しい最先端の選好最適化アルゴリズムを自動で発見する客観的発見を行う。 実験は、ロジスティックと指数的損失を適応的にブレンドする新しいアルゴリズムであるDiscoPOPの最先端性能を示す。
  論文  参考訳（メタデータ） (2024-06-12T16:58:41Z)
• Metalearners for Ranking Treatment Effects [1.469168639465869]
  政策の漸進的な利益曲線の下で、ランク付けの学習がいかにその領域を最大化できるかを示す。 政策の漸進的な利益曲線の下で、ランク付けの学習がいかにその領域を最大化できるかを示す。
  論文  参考訳（メタデータ） (2024-05-03T15:31:18Z)
• Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
  本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。 我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。 提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
  論文  参考訳（メタデータ） (2024-05-01T11:10:24Z)
• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)
• From Function to Distribution Modeling: A PAC-Generative Approach to Offline Optimization [30.689032197123755]
  本稿では、オフラインデータ例の集合を除いて目的関数が不明なオフライン最適化の問題について考察する。 未知の目的関数を学習して最適化するのではなく、より直感的で直接的な視点で、最適化は生成モデルからサンプリングするプロセスと考えることができる。
  論文  参考訳（メタデータ） (2024-01-04T01:32:50Z)
• Integrating Fairness and Model Pruning Through Bi-level Optimization [16.213634992886384]
  フェアネス基準に準拠したスパースモデルを開発することを含む、フェアモデルプルーニングという新しい概念を導入する。 特に,プルーニングマスクと重み更新処理を公平性制約で協調的に最適化する枠組みを提案する。 このフレームワークは、統一されたプロセスにおける公正性を確保しながら、パフォーマンスを維持するモデルを圧縮するように設計されている。
  論文  参考訳（メタデータ） (2023-12-15T20:08:53Z)
• Heterogeneous Causal Learning for Effectiveness Optimization in User Marketing [2.752817022620644]
  本稿では,ユーザマーケティングのための処理効果最適化手法を提案する。 このアルゴリズムは過去の実験から学習し、ユーザ選択に対するコスト効率の最適化に新しい最適化手法を利用する。 提案手法は,先行技術およびベースライン法において,最良性能の手法と比較して24.6%性能が向上した。
  論文  参考訳（メタデータ） (2020-04-21T01:34:34Z)

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。