論文の概要: Forecasting Is Not Attribution: Localizing Decoder Bypass in Graph-Based Neural Marketing Mix Models

• arxiv url: http://arxiv.org/abs/2606.12687v1
• Date: Wed, 10 Jun 2026 21:21:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.466721
• Title: Forecasting Is Not Attribution: Localizing Decoder Bypass in Graph-Based Neural Marketing Mix Models
• Title（参考訳）: 予測は属性ではない:グラフベースニューラルマーケティングミックスモデルにおけるデコーダバイパスの局所化
• Authors: Yunbo Wang, Bolbi Liu,
• Abstract要約: グラフベースのニューラルMMMにおいて、帰属バイパスと呼ばれる障害モードについて検討する。 DICE-MMMを境界診断およびトレーニングフレームワークとして導入する。 DICEはグラフベースのMMMにおいて、グラフ回復、予測精度、訓練されたデコーダの摂動による影響がグラフ整列であるかどうかという3つの質問を分離する。
• 参考スコア（独自算出の注目度）: 16.537581150485376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Marketing mix models are used to forecast business outcomes and to attribute those outcomes to marketing channels, but these goals are not equivalent. We study a failure mode in graph-based neural MMM called attribution bypass: a high-capacity decoder can obtain low forecasting error through target autoregression, dense communication, co-movement, context, or latent memory while failing to route counterfactual sensitivity through the graph used as the attribution object. We introduce DICE-MMM as a bounded diagnostic and training framework. We do not claim that observational neural MMM identifies causal effects. Instead, DICE separates three questions often conflated in graph-based MMM: graph recovery, forecasting accuracy, and whether the trained decoder's perturbation-induced influence is graph aligned. Stage 1 trains a graph encoder with a restricted graph-mediated decoder. Stage 2 freezes the selected encoder and trains a graph-safe latent decoder whose cross-node communication must pass through the supplied graph. Decoder use is evaluated with CIG, AR-CIG, and graph-swap tests. Across controlled R/d/T swaps and an external multi-graph rawlog stress test, DICE improves stable graph recovery over CausalMMM. The experiments show that forecasting accuracy is not an attribution certificate: in a sparse-target benchmark, no-graph and full-graph decoders achieve MSE@7 around 0.004 while AR-CIG nAUPRC remains near or below zero, whereas an oracle graph reaches 0.807 +/- 0.129 at comparable MSE. Frozen graph-swap localizes the bottleneck: the same DICE-hard-trained decoder moves from nAUPRC -0.044 +/- 0.006 under learned graph inputs to 0.894 +/- 0.027 with the oracle graph. The contribution is a stress test and failure-localization framework showing that low MSE can hide attribution bypass and that the unresolved bottleneck is graph-support selection, not forecasting or decoder capacity.
• Abstract（参考訳）: マーケティングミックスモデルは、ビジネス成果を予測し、それらの結果をマーケティングチャネルに関連付けるために使用されるが、これらの目標は同等ではない。 高容量デコーダは、アトリビューションオブジェクトとして使用されるグラフを介して、反現実的な感度をルーティングするのに失敗しながら、目標自己回帰、高密度通信、コモーメント、コンテキスト、潜時メモリを介して低い予測誤差を得ることができる。 DICE-MMMを境界診断およびトレーニングフレームワークとして導入する。 我々は、観察神経MMMが因果効果を識別するわけではないと主張する。 代わりに、DICEはグラフベースのMMMでしばしば混同される3つの質問を分離する:グラフ回復、予測精度、および訓練されたデコーダの摂動による影響がグラフ整列であるかどうか。 ステージ1は、制限付きグラフ経由のデコーダでグラフエンコーダをトレーニングする。 ステージ2は選択したエンコーダを凍結し、ノード間通信が供給されたグラフを通過する必要があるグラフセーフな潜在デコーダを訓練する。 デコーダの使用は、CIG、AR-CIG、グラフスワップテストで評価される。 制御されたR/d/Tスワップと外部マルチグラフ生ログストレステストにより、DICEはCausalMMMによる安定したグラフ回復を改善する。 実験により、予測精度は帰属証明ではないことが示された: スパースターゲットベンチマークでは、no-graphとfull-graphデコーダが0.004でMSE@7を達成するのに対して、AR-CIG nAUPRCは0以下であり、一方、オラクルグラフは0.807 +/-0.129である。 DICE-hard-trained decoder は同じ nAUPRC -0.044 +/- 0.006 から、学習グラフ入力で 0.894 +/- 0.027 に移動する。 コントリビューションはストレステストとフェールローカライゼーションのフレームワークであり、低いMSEが属性バイパスを隠蔽し、未解決のボトルネックは予測やデコーダの容量ではなくグラフサポートの選択であることを示している。

関連論文リスト

• Ex-GraphRAG: Interpretable Evidence Routing for Graph-Augmented LLMs [13.05420221505417]
  GraphRAGは、知識グラフから取得したサブグラフ上の言語モデルを、メッセージパスGNNを介して符号化する。 我々は、GNNエンコーダをGraph Neural Additive Network (M-GNAN)に置き換えるEx-GraphRAGを紹介する。 STaRK-Primeでは、この監査可能なエンコーダはブラックボックスのパフォーマンスにマッチする。
  論文  参考訳（メタデータ） (2026-05-21T04:43:08Z)
• Graph-Based Fraud Detection with Dual-Path Graph Filtering [52.459703746017624]
  グラフデータの不正検出には、異なるタイプのノードを区別する必要がある。 本稿では,デュアルパスグラフフィルタを用いたグラフベースフラッド検出モデルを提案する。 4つの実世界の金融不正検出データセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-04-14T20:46:36Z)
• MalMoE: Mixture-of-Experts Enhanced Encrypted Malicious Traffic Detection Under Graph Drift [12.205532211051832]
  そこで我々は,MalMoE (MalMoE) を用いたグラフ支援型暗号化トラフィック検出システムを提案する。 特に,異なる特徴を持つグラフを解析することにより,異なるグラフドリフトを処理する1-hop-GNN風のエキスパートモデルを設計する。 MalMoEは、データ拡張による安定した2段階のトレーニング戦略でトレーニングされている。
  論文  参考訳（メタデータ） (2026-02-10T02:58:35Z)
• Graph Signal Generative Diffusion Models [74.75869068073577]
  拡散過程を用いたグラフ信号生成のためのU字型エンコーダ-デコーダグラフニューラルネットワーク(U-GNN)を提案する。 アーキテクチャは、エンコーダとデコーダパス間の接続をスキップすることで、異なる解像度でノード機能を学ぶ。 株価の確率予測における拡散モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2025-09-21T21:57:27Z)
• DGR: Tackling Drifted and Correlated Noise in Quantum Error Correction via Decoding Graph Re-weighting [14.817445452647588]
  量子オーバーヘッドを伴わない効率的なデコードグラフエッジ再重み付け戦略を提案する。 DGRは、平均ケースノイズミスマッチで論理誤差率を3.6倍にし、最悪のケースミスマッチで5000倍以上の改善を行う。
  論文  参考訳（メタデータ） (2023-11-27T18:26:16Z)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• OOD-GNN: Out-of-Distribution Generalized Graph Neural Network [73.67049248445277]
  グラフニューラルネットワーク(GNN)は、グラフデータのテストとトレーニングを同一の分布から行うことで、優れたパフォーマンスを実現している。 既存のGNNでは、テストとグラフデータのトレーニングの間に分散シフトが存在する場合、その性能が著しく低下する。 本稿では,学習グラフと異なる分布を持つ未確認試験グラフに対して,満足な性能を実現するために,アウト・オブ・ディストリビューション一般化グラフニューラルネットワーク(OOD-GNN)を提案する。
  論文  参考訳（メタデータ） (2021-12-07T16:29:10Z)

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。