論文の概要: Scalable Amortized Variational Inference for Non-Poisson Buy-'Til-You-Die Models

• arxiv url: http://arxiv.org/abs/2608.19022v1
• Date: Wed, 19 Aug 2026 15:18:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.440327
• Title: Scalable Amortized Variational Inference for Non-Poisson Buy-'Til-You-Die Models
• Title（参考訳）: 非Poisson Buy-'Til-You-Dieモデルに対するスケーラブルな補正変分推論
• Abstract要約: 本稿では,Weibull更新プロセスに従ってトランザクションを仮定するモデル群を紹介し,パラメータ推定のための高度にスケーラブルなスキームを開発する。 提案されたモデルは、500万のオンライン小売顧客のプロプライエタリなデータセットに8分で適合する。 理論的にも実証的にも、この計算性能の劇的な改善は、モデル解釈や予測性能に相応しい変化を伴わないことを示す。
• 参考スコア（独自算出の注目度）: 3.1655082949518527
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the wide variety of existing Buy-`Til-You-Die (BTYD) models, nearly all rely upon the convenient assumption of transactions following a Poisson process. As modern customer bases grow larger and more diverse, a major gap in the marketing literature is BTYD models that can account for heterogeneity in timing patterns across millions of customers. This paper addresses that gap, introducing a family of models that assume transactions follow a Weibull renewal process and developing a highly scalable scheme for parameter estimation based on an amortized variational inference procedure. The proposed model fits to a proprietary dataset of 5 million online retail customers in 8 minutes which would take the current state-of-the-art an estimated 3-4 days. We show both theoretically and empirically that this dramatic improvement in computational performance comes with no appreciable change to either model interpretation or predictive performance. Beyond scalability, gradient-based variational inference also makes it easy to extend the model to covariates, which we illustrate on a public dataset of 4 million political donors during the 2020 US General election cycle. More generally, this paper demonstrates how to blend recent advances in approximate Bayesian inference and the tools of modern machine learning to dramatically improve the efficiency and expressivity of probabilistic models for customer base analysis.
• Abstract（参考訳）: 既存のBuy-`Til-You-Die(BTYD)モデルが多種多様だが、ほとんどすべてがPoissonプロセスに続くトランザクションの便利な仮定に依存している。 現代の顧客ベースが大きく多様化するにつれて、マーケティングの文献の大きなギャップはBTYDモデルであり、数百万の顧客間でのタイミングパターンの不均一性を考慮に入れている。 本稿では,トランザクションを仮定するモデルのファミリをWeibull更新プロセスに従って導入し,アモータイズされた変分推論手法に基づくパラメータ推定のための高度にスケーラブルなスキームを開発する。 提案されたモデルは、500万のオンライン小売顧客のプロプライエタリなデータセットに8分で適合する。 理論的にも実証的にも、この計算性能の劇的な改善は、モデル解釈や予測性能に相応しい変化を伴わないことを示す。 スケーラビリティ以外にも、勾配に基づく変分推論により、モデルを共変量に拡張することが容易になります。 より一般的には、近似ベイズ推論の最近の進歩と現代の機械学習のツールを組み合わせることで、顧客ベース分析のための確率モデルの有効性と表現性を劇的に改善する方法を示す。

関連論文リスト

• CLVAE: A Variational Autoencoder for Long-Term Customer Revenue Forecasting [1.2387676601792899]
  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。
  論文  参考訳（メタデータ） (2026-04-24T15:12:57Z)
• Intention-Conditioned Flow Occupancy Models [80.42634994902858]
  大規模な事前学習は、今日の機械学習研究のやり方を根本的に変えた。 同じフレームワークを強化学習に適用することは、RLの中核的な課題に対処するための魅力的な方法を提供するので、魅力的です。 生成AIの最近の進歩は、高度に複雑な分布をモデリングするための新しいツールを提供している。
  論文  参考訳（メタデータ） (2025-06-10T15:27:46Z)
• Latent Thought Models with Variational Bayes Inference-Time Computation [52.63299874322121]
  ラテント思考モデル(LTM)は、ラテント空間における明示的な事前モデルに従う明示的なラテント思考ベクトルを包含する。 LTMは自己回帰モデルや離散拡散モデルよりも優れたサンプルおよびパラメータ効率を示す。
  論文  参考訳（メタデータ） (2025-02-03T17:50:34Z)
• Observational Scaling Laws and the Predictability of Language Model Performance [51.2336010244645]
  本稿では、モデルトレーニングを回避し、100のパブリックモデルからスケーリング法則を構築する観察的アプローチを提案する。 いくつかの創発現象が滑らかでシグモダルな挙動を辿り、小さなモデルから予測可能であることを示す。 言語モデル機能の改善が進むにつれて、Chain-of-ThoughtやSelf-Consistencyといったポストトレーニング介入の影響を予測する方法を示す。
  論文  参考訳（メタデータ） (2024-05-17T17:49:44Z)
• Recency-Weighted Temporally-Segmented Ensemble for Time-Series Modeling [0.0]
  プロセス産業における時系列モデリングは、複雑で多面的で進化するデータ特性を扱うという課題に直面している。 マルチステップ予測のための新しいチャンクベースアプローチであるRecency-Weighted Temporally-Segmented(ReWTS)アンサンブルモデルを導入する。 ノルウェーの排水処理場と飲料水処理場からの2年間のデータをもとに,比較分析を行った。
  論文  参考訳（メタデータ） (2024-03-04T16:00:35Z)
• A Scalable and Transferable Time Series Prediction Framework for Demand Forecasting [24.06534393565697]
  時系列予測は多くのビジネス問題において最も不可欠でユビキタスなタスクの1つである。 本稿では,多種多様なアイテムの今後の需要を正確に予測できる,シンプルかつ強力なフレームワークであるフォレスティング・オーケストラ(Forchestra)を提案する。
  論文  参考訳（メタデータ） (2024-02-29T18:01:07Z)
• Predictive Churn with the Set of Good Models [61.00058053669447]
  本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。 予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。 2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Forward $\chi^2$ Divergence Based Variational Importance Sampling [2.841087763205822]
  本稿では,ログ類似度を直接推定し,最大化する新しい変動重要度サンプリング(VIS)手法を提案する。 我々は、混合モデル、変分自動エンコーダ、部分的に観測可能な一般化線形モデルなど、様々な一般的な潜在変数モデルにVISを適用する。
  論文  参考訳（メタデータ） (2023-11-04T21:46:28Z)
• Precision-Recall Divergence Optimization for Generative Modeling with GANs and Normalizing Flows [54.050498411883495]
  本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。 指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。 当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-05-30T10:07:17Z)
• Consistent Counterfactuals for Deep Models [25.1271020453651]
  ファクトファクトの例は、金融や医療診断といった重要な領域における機械学習モデルの予測を説明するために使用される。 本稿では,初期訓練条件に小さな変更を加えた深層ネットワークにおける実例に対するモデル予測の整合性について検討する。
  論文  参考訳（メタデータ） (2021-10-06T23:48:55Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
  モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。 LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。 本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
  論文  参考訳（メタデータ） (2020-07-15T07:07:07Z)

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。