論文の概要: SPARC Segmentation to Prediction via Affine Regression and Counterfactuals

• arxiv url: http://arxiv.org/abs/2607.25413v1
• Date: Tue, 28 Jul 2026 08:09:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.7555
• Title: SPARC Segmentation to Prediction via Affine Regression and Counterfactuals
• Title（参考訳）: SPARCセグメンテーションのアフィン回帰と対策による予測
• Abstract要約: B2B eコマースにおけるトランザクションの妥当性予測は、B2Cコンテキストとは異なる固有の課題を提示する。 我々は、SMOTEベースの拡張を合成データ生成アプローチで置き換える。 我々はPyPARCの断片的アフィン分類フレームワークに適応し、キャリブレーションされた確率を生成する。
• 参考スコア（独自算出の注目度）: 1.0026496861838445
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Transaction propensity prediction in B2B e commerce presents unique challenges distinct from B2C contexts, primarily due to the heterogeneous procurement behaviors of organizational entities, which violate SMOTE's implicit assumption of within class feature homogeneity. Specifically, B2B buyers exhibit multi modal procurement cycles that render linear interpolation between minority class samples structurally invalid, producing synthetic data that does not represent real purchasing behavior. This paper introduces a production deployed propensity modeling framework designed to address these complexities through two primary contributions. First, we replace conventional SMOTE based augmentation with a synthetic data generation approach leveraging Diverse Counterfactual Explanations (DiCE). This method produces minority class samples with superior distributional fidelity compared to SMOTE, as validated through quantitative proximity analysis and UMAP cluster visualization. Second, we adapt the PyPARC piecewise affine classification framework to generate calibrated propensity probabilities, facilitating the interpretable segmentation of customers into actionable risk tiers. Evaluated on two years of longitudinal data from a large scale B2B e commerce platform with a 1 to 9 class imbalance ratio, the proposed architecture achieves 93.1% precision at a decision threshold of 0.8, a 9.2 percentage point improvement over SMOTE based baselines at the same threshold (83.9%), and a 26.1 point improvement over SMOTE at threshold 0.7 (66.04%), demonstrating consistent superiority across operating points. These results demonstrate the framework's efficacy in enabling high precision marketing campaigns with significant improvements in customer activation and return on investment.
• Abstract（参考訳）: B2B eコマースにおけるトランザクションの適切性予測は、B2Cコンテキストとは異なる固有の課題を提示している。 具体的には、B2B購入者は、マイノリティクラスサンプル間の線形補間を構造的に無効にするマルチモーダル調達サイクルを示し、実際の購入行動を表すものではない合成データを生成する。 本稿では,2つの主要なコントリビューションを通じて,これらの複雑さに対処するために設計された実運用型適合性モデリングフレームワークを紹介する。 まず、従来のSMOTEベースの拡張を、Diverse Counterfactual Explanations (DiCE)を利用した合成データ生成手法に置き換える。 本手法は, 定量的近接解析とUMAPクラスタ可視化により, SMOTEと比較して分布の忠実度に優れたマイノリティのクラス標本を作成した。 第2に、PyPARCの断片的なアフィン分類フレームワークを適用して、キャリブレーションされた適合確率を生成し、顧客の解釈可能なセグメンテーションを行動可能なリスク層にしやすくする。 大規模B2B電子商取引プラットフォームからの2年間の経年データと1～9級不均衡比に基づいて、提案アーキテクチャは、決定しきい値0.8で93.1%の精度、SMOTEベースラインを同じしきい値(83.9%)で9.2のポイント改善、SMOTEを0.7(66.04%)で26.1のポイント改善を実現し、運用ポイント間で一貫した優位性を示す。 これらの結果は、顧客のアクティベーションと投資のリターンを大幅に向上させ、高精度なマーケティングキャンペーンを可能にするためのフレームワークの有効性を示す。

関連論文リスト

• SAGE: Subpopulation-Aware Generative Enhancement for Mitigating Spurious Correlations [7.753860485619659]
  Subpopulation-Aware Generative Enhancement (SAGE)は、2段階の生成拡張フレームワークである。 本研究では,水鳥,CelebA,MetaShiftにおいて,SAGEが89.5%,85.7%,79.1%の群精度を達成したことを実験的に示した。
  論文  参考訳（メタデータ） (2026-09-01T10:47:11Z)
• Smaller Models are Natural Explorers for Policy-Level Diversity in GRPO [80.3917290909154]
  サンプル数が増加するにつれて、小さなモデルは本質的に、より優れたパス@kによって示されるポリシーレベルの多様性を示す。 本研究では,S2L-PO(Small-to-Large Policy Optimization)を提案する。 S2L-POは、様々な数学的推論ベンチマーク(例えば、AIME 24で1.7Bエクスプローラーを使用して8Bモデルをガイドする+8.8%)の精度を改善し、ロールアウト計算を削減している。
  論文  参考訳（メタデータ） (2026-05-29T03:25:56Z)
• Customer Churn Prediction on Structured Data Using FT-Transformer and Stacking Ensembles [0.0]
  本研究では,特徴量変換器(FT-Transformer)をキャリブレーション積み重ねによる勾配木と統合したハイブリッドアーキテクチャを提案する。 提案手法は, 統計的検証, 確率, キャリブレーションの持続的ギャップに対処し, 先行研究で確認された。 パブリックバンクチャーンデータセットでは、ハイブリッドモデル62.10% F1、0.861 AUC-ROC、0.647 PR-AUCがMulti-Layer Perceptron(MLP)ベースラインを3.37 F1ポイント、0.027 AUCを95%の信頼区間で上回っている。
  論文  参考訳（メタデータ） (2026-05-26T23:02:38Z)
• Benchmarking Logistic Regression, SVM, and LightGBM Against BiLSTM with Attention for Sentiment Analysis on Indonesian Product Reviews [0.0]
  本稿では、PyCaret AutoMLフレームワークによる機械学習(ML)アプローチと、双方向長短期記憶(BiLSTM)アーキテクチャに基づくディープラーニング(DL)アプローチを比較し、インドネシア製品レビューのバイナリ感情分類のためのアテンションメカニズムと比較する。 ロジスティック回帰は97.26%、F1スコア97.26%で最高のML性能を達成した。
  論文  参考訳（メタデータ） (2026-04-28T10:00:42Z)
• CDRRM: Contrast-Driven Rubric Generation for Reliable and Interpretable Reward Modeling [61.75914342638658]
  CDRRM(Contrast-Driven Reward Model)は、高品質なルーリック生成と優先判断のためのフレームワークである。 この作業は、報酬モデリングのためのスケーラブルで解釈可能で、データ効率のよいパスを提供する。
  論文  参考訳（メタデータ） (2026-03-09T07:15:23Z)
• CTTVAE: Latent Space Structuring for Conditional Tabular Data Generation on Imbalanced Datasets [0.0]
  本稿では,2つの相補的機構を備えた条件変換器を用いたタブラル変分自動エンコーダであるCTTVAEを紹介する。 CTTVAE+TBSは、トレーニングを不安定にすることなく、より代表的で実用性に整ったサンプルを一貫して得る。
  論文  参考訳（メタデータ） (2026-02-03T15:25:26Z)
• CoT-Saliency: Unified Chain-of-Thought Reasoning for Heterogeneous Saliency Tasks [96.64597365827046]
  本稿では,3つの運用上不均一なサリエンシタスクを共同で処理する,最初の統合フレームワークを提案する。 タスクの不均一性を橋渡しする視覚言語モデル(VLM)において、チェーン・オブ・ソート(CoT)推論プロセスを導入する。 我々は,全タスクにまたがる特別なSOTA手法と強力なクローズドソースVLMの整合性を示す。
  論文  参考訳（メタデータ） (2025-11-01T04:37:01Z)
• Attribute Fusion-based Classifier on Framework of Belief Structure [46.24928730489845]
  Dempster-Shafer Theory (DST)は、不確実性をモデリングするための強力なフレームワークを提供し、多属性分類タスクに広く適用されてきた。 従来のDSTに基づく属性融合型分類器は、単純化されたメンバーシップ関数モデリングと基本確率割当(BPA)による信念構造の限定的活用に悩まされている。 本稿では,2つの重要なイノベーションを通じて,これらの制限に対処する属性融合型分類器を提案する。
  論文  参考訳（メタデータ） (2025-08-31T09:05:15Z)
• Prior2Former -- Evidential Modeling of Mask Transformers for Assumption-Free Open-World Panoptic Segmentation [74.55677741919035]
  顕在学習に根ざしたセグメンテーション・ビジョン・トランスフォーマの最初のアプローチである Prefer2Former (P2F) を提案する。 P2Fは、ピクセル単位のバイナリマスク割り当てにおいて、モデル不確実性を計算するためのベータを組み込むことで、マスクビジョントランスフォーマーアーキテクチャを拡張している。 未知のクラスに対処するほとんどのセグメンテーションモデルとは異なり、P2FはOODデータサンプルへのアクセスや、ヴォイド(ラベルなし)クラスに対する対照的なトレーニングなしで動作する。
  論文  参考訳（メタデータ） (2025-04-07T08:53:14Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)

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。