論文の概要: Auditing Marketing Budget Allocation with Hindsight Regret

• arxiv url: http://arxiv.org/abs/2604.25977v2
• Date: Thu, 30 Apr 2026 00:29:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 14:06:12.727133
• Title: Auditing Marketing Budget Allocation with Hindsight Regret
• Title（参考訳）: 市場予算配分の調整と調整
• Authors: Nilavra Pathak, Olivier Jeunen, Eric Lambert,
• Abstract要約: 後ろ向きの後悔に基づく振り返り監査の枠組みを提示する。 このフレームワークは、履歴ログからレジーム固有の消費-応答関数を推定する。 実際のマーケティングアロケーションログの実験は、このフレームワークが解釈可能なポストホック診断をもたらすことを示している。
• 参考スコア（独自算出の注目度）: 6.244816393907943
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Organizations routinely make strategic budget allocations under operational constraints, but often lack a principled way to assess whether realized allocations were close to the best feasible choices in hindsight. We present a retrospective auditing framework based on hindsight regret, defined as the opportunity cost of the realized allocation relative to a constraint-faithful benchmark under the same budget and stability guardrails. The framework estimates regime-specific spend--response functions from historical logs, computes feasible hindsight allocations via constrained optimization, and propagates uncertainty through Monte Carlo evaluation to produce regret distributions, expected lift, and probability-of-improvement summaries. This separates allocation inefficiency from uncertainty in the estimated response surfaces. Experiments on real marketing allocation logs show that the framework yields interpretable post-hoc diagnostics and reveals a practical trade-off between allocation flexibility and detectability: moderate feasible reallocations often capture most measurable gain, while larger shifts move into weak-support regions with higher uncertainty. The result is a practical method for auditing historical budget decisions when online experimentation is costly or infeasible.
• Abstract（参考訳）: 組織は通常、運用上の制約の下で戦略的な予算配分を行うが、多くの場合、実現されたアロケーションが後見の最良の選択肢に近いかどうかを評価するための原則的な方法が欠如している。 本稿では,同じ予算と安定ガードレールの下での制約に満ちたベンチマークに対して,実現されたアロケーションの機会コストとして定義された,後ろ向きの後悔に基づくふりかえり監査フレームワークを提案する。 このフレームワークは、履歴ログからレジーム固有の消費応答関数を推定し、制約付き最適化を通じて実現可能な後見割り当てを計算し、モンテカルロの評価を通じて不確実性を伝播し、後悔の分布、期待される昇降、改善の確率を生成する。 これにより、推定応答面の不確実性から割当非効率を分離する。 実際のマーケティングアロケーションログの実験では、このフレームワークは解釈可能なポストホック診断をもたらし、アロケーションの柔軟性と検出可能性の間の実践的なトレードオフを明らかにしている。 その結果、オンライン実験がコストがかかる場合や、不可能である場合、歴史的予算決定を監査するための実践的な方法が得られた。

関連論文リスト

• Observationally Informed Adaptive Causal Experimental Design [55.998153710215654]
  本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。 このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。 合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2026-03-04T06:52:37Z)
• UCPO: Uncertainty-Aware Policy Optimization [12.847800921274617]
  既存のLarge Language Models (LLM) はバイナリ決定空間と静的不確実性報酬によってアドバンテージバイアスに悩まされ、過剰な保守主義や過剰な自信を引き起こす。 本稿では、不確実性に基づく報酬を取り入れた現在のRLパラダイムにおける報酬ハッキングと過信の根本原因を明らかにし、UnCertainty-Aware Policy Optimizationフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T07:07:42Z)
• Learning-Augmented Ski Rental with Discrete Distributions: A Bayesian Approach [4.702729080310267]
  時間的地平線上で正確な後続分布を維持する離散ベイズ的枠組みを提案する。 提案アルゴリズムは、事前依存した競合保証を達成し、最悪のケースと完全なインフォームド設定を優雅に補間する。 このフレームワークは、自然に複数の予測、一様でない事前情報、文脈情報を組み込むように拡張されている。
  論文  参考訳（メタデータ） (2025-12-08T08:56:25Z)
• Profit over Proxies: A Scalable Bayesian Decision Framework for Optimizing Multi-Variant Online Experiments [0.0352925259310339]
  オンライン制御実験(A/Bテスト)は、デジタル経済におけるデータ駆動型意思決定の基礎である。 p-value"は偽陽性率を膨らませ、変換レートのようなプロキシメトリクスへの過度な依存は、必然的にビジネスの黒字化を損なう決定につながる可能性がある。 本稿では,多変量(A/B/n)実験における利益最適化を目的とした包括的かつスケーラブルなベイズ決定フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-16T02:24:20Z)
• Dependent Randomized Rounding for Budget Constrained Experimental Design [18.677808169753032]
  本稿では、代入確率を二項処理決定に変換するために、依存ランダム化ラウンドリング手順を適用するフレームワークを提案する。 提案手法は課題間の負の相関を誘導しながら, 限界処理確率を保ち, 分散還元による推定精度の向上を図った。
  論文  参考訳（メタデータ） (2025-06-15T01:10:06Z)
• An Identifiable Cost-Aware Causal Decision-Making Framework Using Counterfactual Reasoning [18.324601057882386]
  そこで本研究では,最小コスト因果決定(MiCCD)フレームワークを提案する。 混合異常データの存在を識別する反ファクト的推論プロセスに重点を置いている。 MiCCDは、F1スコア、コスト効率、ランキング品質(nDCG@k値)など、従来の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-05-13T08:41:45Z)
• Supervised Optimism Correction: Be Confident When LLMs Are Sure [91.7459076316849]
  教師付き微調整とオフライン強化学習の間には,新たな理論的関係が確立されている。 広く使われているビームサーチ法は、許容できない過度な最適化に悩まされていることを示す。 本稿では,トークンレベル$Q$-value推定のための簡易かつ効果的な補助的損失を導入したSupervised Optimism Correctionを提案する。
  論文  参考訳（メタデータ） (2025-04-10T07:50:03Z)
• Improved Policy Evaluation for Randomized Trials of Algorithmic Resource Allocation [54.72195809248172]
  提案する新しい概念を応用した新しい推定器を提案する。 我々は,このような推定器が,サンプル手段に基づく一般的な推定器よりも精度が高いことを理論的に証明した。
  論文  参考訳（メタデータ） (2023-02-06T05:17:22Z)
• Off-Policy Evaluation via the Regularized Lagrangian [110.28927184857478]
  最近提案された分布補正推定(DICE)ファミリーは, 行動に依存しないデータを用いた非政治的評価において, 技術の現状を推し進めている。 本稿では,これらを線形プログラムの正規化ラグランジアンとして統一する。 双対解は、安定性と推定バイアスの間のトレードオフをナビゲートする際の柔軟性を向上し、一般的にはより優れた見積もりを提供する。
  論文  参考訳（メタデータ） (2020-07-07T13:45:56Z)
• Distributional Robustness and Regularization in Reinforcement Learning [62.23012916708608]
  経験値関数の新しい正規化器を導入し、ワッサーシュタイン分布のロバストな値関数を下限とすることを示す。 強化学習における$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
  論文  参考訳（メタデータ） (2020-03-05T19:56:23Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。