論文の概要: We Have It Covered: A Resampling-based Method for Uplift Model Comparison

• arxiv url: http://arxiv.org/abs/2509.04315v1
• Date: Thu, 04 Sep 2025 15:33:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.20391
• Title: We Have It Covered: A Resampling-based Method for Uplift Model Comparison
• Title（参考訳）: We Have It Covered: A Resampling-based Method for Uplift Model Comparison
• Authors: Yang Liu, Chaoyu Yuan,
• Abstract要約: アップリフトモデルは、現代のマーケティングアプリケーションにおいて重要な役割を果たす。 意図したアプリケーションのコンテキストにおけるモデルの違いを理解することが不可欠である。 本研究では,2段階のサンプリング手法と再サンプリングに基づくアプローチを提案し,アップリフトモデルと不確実な定量化を比較した。
• 参考スコア（独自算出の注目度）: 4.966007024672813
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uplift models play a critical role in modern marketing applications to help understand the incremental benefits of interventions and identify optimal targeting strategies. A variety of techniques exist for building uplift models, and it is essential to understand the model differences in the context of intended applications. The uplift curve is a widely adopted tool for assessing uplift model performance on the selection universe when observations are available for the entire population. However, when it is uneconomical or infeasible to select the entire population, it becomes difficult or even impossible to estimate the uplift curve without appropriate sampling design. To the best of our knowledge, no prior work has addressed uncertainty quantification of uplift curve estimates, which is essential for model comparisons. We propose a two-step sampling procedure and a resampling-based approach to compare uplift models with uncertainty quantification, examine the proposed method via simulations and real data applications, and conclude with a discussion.
• Abstract（参考訳）: 強化モデルは、介入の漸進的な利益を理解し、最適なターゲティング戦略を特定するために、現代のマーケティングアプリケーションにおいて重要な役割を果たす。 アップリフトモデルを構築するには様々な技術があり、意図したアプリケーションのコンテキストにおけるモデルの違いを理解することが不可欠である。 昇降曲線は、全人口に観測可能な場合、選択宇宙における昇降モデルの性能を評価するために広く採用されているツールである。 しかし, 集団全体の選択が不可能あるいは不可能である場合には, 適切なサンプリング設計をせずに昇降曲線を推定することは困難あるいは不可能となる。 我々の知る限りでは、モデル比較に欠かせない上昇曲線推定の不確実な定量化に、先行研究は対応していない。 本稿では,2段階のサンプリング手法と再サンプリングに基づく手法を提案し,不確実な定量化とアップリフトモデルの比較を行い,シミュレーションと実データアプリケーションを用いて提案手法を検証し,議論を締めくくった。

関連論文リスト

• LoRE-Merging: Exploring Low-Rank Estimation For Large Language Model Merging [10.33844295243509]
  基本モデルであるtextscLoRE-Merging へのアクセスを必要とせず,タスクベクトルの低ランク推定に基づくモデルマージのための統一フレームワークを提案する。 我々のアプローチは、細調整されたモデルからのタスクベクトルは、しばしば支配的な特異値の限られた数しか示さず、低ランク推定が干渉しにくくなるという観察に動機づけられている。
  論文  参考訳（メタデータ） (2025-02-15T10:18:46Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Model-Free Active Exploration in Reinforcement Learning [53.786439742572995]
  強化学習における探索問題について検討し,新しいモデルフリーソリューションを提案する。 我々の戦略は、最先端の探査アプローチよりも高速に効率的な政策を特定できる。
  論文  参考訳（メタデータ） (2024-06-30T19:00:49Z)
• Towards Learning Stochastic Population Models by Gradient Descent [0.0]
  パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。 モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
  論文  参考訳（メタデータ） (2024-04-10T14:38:58Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Gradient and Uncertainty Enhanced Sequential Sampling for Global Fit [0.0]
  本稿では、GUESS(Gradient and Uncertainty Enhanced Sequential Smpling)と呼ばれる、グローバル適合のための新しいサンプリング戦略を提案する。 GUESSは, 実験例における他のサロゲート型戦略と比較して, 平均的な試料効率で達成された。
  論文  参考訳（メタデータ） (2023-09-29T19:49:39Z)
• MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
  MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。 公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
  論文  参考訳（メタデータ） (2022-05-31T04:57:06Z)
• Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
  本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。 提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。 提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-04-22T15:15:46Z)

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。