論文の概要: A Comparative Study of Model Adaptation Strategies for Multi-Treatment Uplift Modeling

• arxiv url: http://arxiv.org/abs/2511.01185v1
• Date: Mon, 03 Nov 2025 03:21:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.09867
• Title: A Comparative Study of Model Adaptation Strategies for Multi-Treatment Uplift Modeling
• Title（参考訳）: マルチTreatment Uplift Modelingのためのモデル適応手法の比較検討
• Authors: Ruyue Zhang, Xiaopeng Ke, Ming Liu, Fangzhou Shi, Chang Men, Zhengdan Zhu,
• Abstract要約: 昇降モデリングは個別化処理効果推定において重要な手法である。 アップリフトをモデル化するための現在の技術は、通常バイナリ処理の作業に適応する。 関数近似定理に基づく直交適応(OFA)を提案する。
• 参考スコア（独自算出の注目度）: 5.414582498241324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uplift modeling has emerged as a crucial technique for individualized treatment effect estimation, particularly in fields such as marketing and healthcare. Modeling uplift effects in multi-treatment scenarios plays a key role in real-world applications. Current techniques for modeling multi-treatment uplift are typically adapted from binary-treatment works. In this paper, we investigate and categorize all current model adaptations into two types: Structure Adaptation and Feature Adaptation. Through our empirical experiments, we find that these two adaptation types cannot maintain effectiveness under various data characteristics (noisy data, mixed with observational data, etc.). To enhance estimation ability and robustness, we propose Orthogonal Function Adaptation (OFA) based on the function approximation theorem. We conduct comprehensive experiments with multiple data characteristics to study the effectiveness and robustness of all model adaptation techniques. Our experimental results demonstrate that our proposed OFA can significantly improve uplift model performance compared to other vanilla adaptation methods and exhibits the highest robustness.
• Abstract（参考訳）: 昇降モデリングは、特にマーケティングや医療などの分野において、個別化された治療効果推定の重要な手法として現れている。 マルチ処理シナリオにおけるアップリフト効果のモデル化は、現実世界のアプリケーションにおいて重要な役割を果たす。 マルチトリートアップリフトをモデル化するための現在の技術は、通常バイナリートリートアップリフトから適応される。 本稿では,現在のモデル適応を,構造適応と特徴適応の2つのタイプに分類する。 実験により,これらの2種類の適応型は,様々なデータ特性(ノイズデータ,観測データとの混合など)下では有効性を維持することができないことがわかった。 推定能力とロバスト性を高めるため,関数近似定理に基づく直交関数適応(OFA)を提案する。 複数のデータ特性を用いた総合実験を行い、モデル適応手法の有効性とロバスト性について検討する。 提案したOFAは,他のバニラ適応法と比較して,昇降モデルの性能を著しく向上し,高いロバスト性を示すことを示す。

関連論文リスト

• Implicit Modeling for Transferability Estimation of Vision Foundation Models [33.73062179456684]
  Implicit Transferability Modeling (ITM)は、各モデルの固有のトランスファービリティを暗黙的にモデル化する新しいフレームワークである。 ITMは、安定性、有効性、効率の点で既存の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-10-27T09:21:19Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Self-Consistent Model-based Adaptation for Visual Reinforcement Learning [27.701421196547674]
  視覚強化学習エージェントは、視覚障害による実世界のアプリケーションの性能低下に直面している。 既存の方法は、手作りの拡張でポリシーの表現を微調整することに依存している。 本稿では、ポリシーを変更することなくロバスト適応を促進する新しい手法である自己一貫性モデルベース適応(SCMA)を提案する。
  論文  参考訳（メタデータ） (2025-02-14T05:23:56Z)
• Active Learning of Model Discrepancy with Bayesian Experimental Design [0.0]
  逐次実験設計(BED)から得られたデータに基づいてモデル差分を効率的に学習する手法を提案する。 提案手法は, 逐次BEDによって提案されるデータを用いて, 高次元モデル差分率の能動的学習に対して, 効率的かつ堅牢であることを示す。 また,提案手法は古典的数値解法と近代自己微分可能解法の両方と互換性があることを実証した。
  論文  参考訳（メタデータ） (2025-02-07T22:54:20Z)
• Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
  拡散モデルは、生成的モデリングに大きな進歩をもたらした。 しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。 これらの課題に対処するための影響関数フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-10-17T17:59:02Z)
• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Parameter-efficient Model Adaptation for Vision Transformers [45.3460867776953]
  画像分類タスクにおける視覚変換器のパラメータ効率モデル適応戦略について検討する。 本稿では,局所固有次元を測定することで,まずサブモジュールを選択するパラメータ効率のよいモデル適応フレームワークを提案する。 提案手法は,20画像分類データセット間の精度とパラメータ効率のトレードオフを最良とする。
  論文  参考訳（メタデータ） (2022-03-29T05:30:09Z)
• Multi-Stage Influence Function [97.19210942277354]
  我々は、事前学習データまで遡って、微調整されたモデルから予測を追跡するための多段階影響関数スコアを開発する。 本研究は,2つのシナリオについて検討し,事前訓練した埋め込みを微調整タスクで固定または更新する。
  論文  参考訳（メタデータ） (2020-07-17T16:03:11Z)

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。