論文の概要: CLVAE: A Variational Autoencoder for Long-Term Customer Revenue Forecasting
- arxiv url: http://arxiv.org/abs/2604.22636v1
- Date: Fri, 24 Apr 2026 15:12:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-27 15:36:26.513955
- Title: CLVAE: A Variational Autoencoder for Long-Term Customer Revenue Forecasting
- Title（参考訳）: CLVAE:長期顧客収益予測のための変分自動エンコーダ
- Authors: Jeffrey Näf, Riana Valera Mbelson, Markus Meierer,
- Abstract要約: スパースおよび不規則な取引データから顧客長期的な収益を予測することは、非契約環境でのマーケティングリソースの割り当ての中心である。
従来の確率論的顧客ベースモデルは、強い構造的仮定を示唆することによって、堅牢な長期予測を提供する。
本稿では,プロセスベースで確立された属性・トランザクション・スペンドモデルの確率を保存する変動型オートコーダモデルを提案する。
- 参考スコア（独自算出の注目度）: 1.2387676601792899
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting customers' long-term revenue from sparse and irregular transaction data is central to marketing resource allocation in non-contractual settings, yet existing approaches face a trade-off. Traditional probabilistic customer base models deliver robust long-horizon forecasts by imposing strong structural assumptions, while flexible machine-learning models often require substantial training data and careful tuning. We propose a variational-autoencoder-based model that preserves the process-based likelihood of established attrition-transaction-spend models conditional on customer heterogeneity, but replaces the restrictive parametric mixing distribution with a flexible latent representation learned by encoder-decoder networks. The resulting approach (i) provides a single model for customer attrition, transactions and spending, (ii) remains reliable when contextual covariates are unavailable, and (iii) flexibly incorporates rich covariates and nonlinear effects when they are available. This design balances structural stability with the flexibility needed to capture complex purchase dynamics. Across multiple real-world datasets and prediction horizons, the proposed model improves upon the latest benchmarks. Businesses benefit directly, as a better assessment of customers' future revenues improves the efficiency of campaign targeting. For research, this work provides guidance on how to embed domain-specific models into the variational autoencoder framework, enabling flexible representation learning while retaining an econometrically meaningful process structure.
- Abstract（参考訳）: スパースおよび不規則な取引データから顧客長期的な収益を予測することは、非契約的な環境でのマーケティングリソースの割り当ての中心であるが、既存のアプローチはトレードオフに直面している。
従来の確率論的顧客ベースモデルは、強い構造的仮定を示すことによって、堅牢な長期予測を提供する一方、柔軟な機械学習モデルは、かなりのトレーニングデータと注意深いチューニングを必要とすることが多い。
本稿では,顧客不均一性を条件として確立された属性-トランザクション-スペンドモデルのプロセスベース可能性を保存するとともに,エンコーダ-デコーダネットワークで学習した柔軟な潜在表現を用いて,制限的なパラメータ混合分布を置き換える変動型オートコーダモデルを提案する。
結果のアプローチ
(i)顧客の誘惑、取引、支出のための単一のモデルを提供する。
(ii)文脈共変体が利用できなければ信頼性が保たれる。
(iii)豊富な共変量や非線形効果を柔軟に組み込む。
この設計は、複雑な購入ダイナミクスを捉えるために必要な柔軟性と構造安定性のバランスをとる。
複数の実世界のデータセットと予測地平線にまたがって、提案されたモデルは最新のベンチマークで改善される。
将来の収益のより良い評価がキャンペーンターゲティングの効率を向上させるため、ビジネスは直接的に利益を得る。
研究のために、この研究は、変分オートエンコーダフレームワークにドメイン固有のモデルを組み込む方法に関するガイダンスを提供し、計量的に意味のあるプロセス構造を維持しながら柔軟な表現学習を可能にする。
関連論文リスト
- Hybrid Intent-Aware Personalization with Machine Learning and RAG-Enabled Large Language Models for Financial Services Marketing [0.0]
本稿では,セグメンテーション,潜在意図モデリング,パーソナライズ予測に機械学習を統合したハイブリッドアーキテクチャを提案する。
この貢献は主にアーキテクチャであり、予測モデリングとRAGベースの生成を、金融サービスのパーソナライズのための透明で説明可能なパイプラインにどのように組み合わせるかを示す。
論文 参考訳（メタデータ） (2026-03-11T20:05:19Z) - FedEU: Evidential Uncertainty-Driven Federated Fine-Tuning of Vision Foundation Models for Remote Sensing Image Segmentation [40.79057922854245]
フェデレートイメージセグメンテーション(RSIS)が注目されている。
我々は、明らかな不確実性によって駆動される微調整RSISモデルのためのフレームワークであるFedEUを紹介する。
論文 参考訳（メタデータ） (2026-03-08T05:11:03Z) - Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
パラメータを好みに置き換えることは、よりスケーラブルでプライバシに保護される未来を表している、と私たちは主張する。
ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを用いた協調アライメントフレームワークであるMoRを提案する。
MoRは、一般化、堅牢性、およびクロスクライアント適応性において、連邦化されたアライメントベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-01-31T03:11:51Z) - An Advanced Ensemble Deep Learning Framework for Stock Price Prediction Using VAE, Transformer, and LSTM Model [4.097563258332958]
本研究では,3つの先進ニューラルネットワークアーキテクチャを組み合わせることで,株価予測のための最先端の深層学習フレームワークを提案する。
このフレームワークは豊富な技術的指標を使用し、現在の市場状況に基づいて予測器をスケールする。
金融専門家や学者にとって、アルゴリズム取引、リスク分析、制御と意思決定に非常に重要な応用がある。
論文 参考訳（メタデータ） (2025-03-28T07:20:40Z) - Knowledge-Driven Federated Graph Learning on Model Heterogeneity [47.98634086448171]
FGL(Federated Graph Learning)は、協調グラフ表現学習において、有望なパラダイムとして登場した。
本稿では,FedGKC(Federated Graph Knowledge Collaboration)フレームワークを提案する。
FedGKCは、MHtFGLシナリオのベースラインよりも平均3.74%の精度向上を実現し、均一な設定では優れたパフォーマンスを維持している。
論文 参考訳（メタデータ） (2025-01-22T04:12:32Z) - Client-Centric Federated Adaptive Optimization [78.30827455292827]
Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。
本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
論文 参考訳（メタデータ） (2025-01-17T04:00:50Z) - Hybrid-Regularized Magnitude Pruning for Robust Federated Learning under Covariate Shift [2.298932494750101]
クライアント側トレーニング分布の不整合がフェデレート学習モデルの性能を著しく低下させることを示す。
本稿では,ニューラルネットワークの疎結合性,冗長性,堅牢性を改善するために,フラニングとクライアントトレーニングの正規化を組み合わせた新しいFLフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-19T16:22:37Z) - Federated Learning with Dynamic Client Arrival and Departure: Convergence and Rapid Adaptation via Initial Model Construction [24.71144869427636]
ほとんどのフェデレートされた学習アプローチは、固定されたクライアントセットを前提とします。
現実のシナリオでは、クライアントが特定のタスクに対するニーズや関心に基づいてシステムに参加したり、去ったりすることが多い。
本稿では,クライアントがシステムに参加・離脱するたびに,新しいクライアントセットへの迅速な適応を可能にするアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-08T03:22:14Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。
FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。
PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文 参考訳（メタデータ） (2023-05-01T20:04:46Z) - Slimmable Domain Adaptation [112.19652651687402]
重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。
私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-06-14T06:28:04Z)
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。