論文の概要: Optimizing Marketing Budgets for Social Influence: A Generalized Fractional Incentives Framework

• arxiv url: http://arxiv.org/abs/2610.25823v1
• Date: Mon, 19 Oct 2026 05:35:58 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:33:51.403696
• Title: Optimizing Marketing Budgets for Social Influence: A Generalized Fractional Incentives Framework
• Title（参考訳）: 社会的影響を考慮したマーケティング予算の最適化 : 一般化された分節インセンティブフレームワーク
• Abstract要約: BGFIM(Budgeted Generalized Fractional Influence Maximization)の問題点について検討する。 BGFIMは、不均一な応答とネットワークの流出の存在下で、ユーザ間でのマーケティング支出の継続的なレベルをキャプチャする。 証明可能な保証付き離散的欲求手続きに基づくスケーラブルな解を提案する。
• 参考スコア（独自算出の注目度）: 15.668253109465809
• License:
• Abstract: Marketing managers routinely allocate limited budgets across individuals in social networks whose responsiveness and influence vary substantially. We study the problem of Budgeted Generalized Fractional Influence Maximization (BGFIM), which captures the allocation of continuous levels of marketing spend across users in the presence of heterogeneous response and network spillovers. In this framework, adoption probabilities are governed by user-specific response functions that capture both baseline propensity and marginal responsiveness, while incentive costs vary across users. We propose a scalable solution approach based on a discrete greedy procedure with provable approximation guarantees, enabling tractable optimization under realistic budget constraints. Our formulation generalizes prior influence maximization models by allowing heterogeneous response and cost structures, providing a more flexible representation of targeted marketing interventions. Using experiments on multiple large-scale networks, we show that continuous allocation strategies can outperform standard heuristics and improve influence outcomes under heterogeneous conditions, and we illustrate how the framework can support profit-oriented decision making by identifying budget levels that balance marginal returns and costs. Overall, our results highlight the value of fine-grained budget allocation in networked marketing environments and offer a scalable approach for data-driven marketing resource allocation.
• Abstract（参考訳）: マーケティングマネージャは、応答性と影響力が著しく異なるソーシャルネットワークの個人に対して、定期的に限られた予算を割り当てる。 本研究では,不均質な応答とネットワークの流出が存在する場合に,ユーザ間でのマーケティング支出の継続的な水準の配分をキャプチャするBudgeted Generalized Fractional Influence Maximization (BGFIM) の問題について検討する。 このフレームワークでは、採用確率はユーザ固有の応答関数によって制御され、ベースラインの適合性と限界応答性の両方をキャプチャし、一方インセンティブコストはユーザによって異なる。 本稿では,現実的な予算制約下でのトラクタブルな最適化を実現するために,証明可能な近似保証を備えた離散的欲求手続きに基づくスケーラブルな解法を提案する。 我々の定式化は、不均一な応答とコスト構造を許容し、ターゲットとするマーケティング介入のより柔軟な表現を提供することにより、事前影響の最大化モデルを一般化する。 複数の大規模ネットワーク上での実験により,一定条件下での標準的ヒューリスティックスよりも優れ,影響を改善できることを示すとともに,限界利益とコストのバランスをとる予算レベルを特定して,利益志向の意思決定を支援する方法について述べる。 全体として,ネットワーク化マーケティング環境における詳細な予算配分の価値を強調し,データ駆動型マーケティングリソース割り当てにスケーラブルなアプローチを提供する。

関連論文リスト

• TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning [52.67756371231985]
  検証可能な報酬を伴う強化学習(RLVR)は、大規模言語モデルにおける推論とエージェント的行動を強化するための有望なアプローチである。 本稿では,Tree Rollout Allocation for Contrastive Exploration (TRACE)について紹介する。 技術的には、TRACEはロールアウト予算をルートと中間プレフィックスの両方に割り当てている。
  論文  参考訳（メタデータ） (2026-06-09T17:16:03Z)
• Budgeted Online Influence Maximization [25.113510553720683]
  我々は,選択したセットに対する共通基数制約ではなく,広告キャンペーンの総コストを考慮した,オンラインインフルエンスのための新しい枠組みを導入する。 当社のアプローチは、インフルエンサーのコストが変わる現実世界の環境をモデル化し、広告主はソーシャル広告予算全体にとって最高の価値を見出そうとしている。
  論文  参考訳（メタデータ） (2026-04-21T16:51:57Z)
• First-See-Then-Design: A Multi-Stakeholder View for Optimal Performance-Fairness Trade-Offs [7.450890746650866]
  本稿では、福祉経済学と分配正義を基礎とした公正なアルゴリズム決定のためのマルチステークホルダー・フレームワークを提案する。 我々は、ポストホック多目的最適化問題として公正な意思決定を定式化する。 結果の不確実性を活用することで、単純なポリシーが優れたパフォーマンス・フェアネスのトレードオフをもたらすことを実証的に実証する。
  論文  参考訳（メタデータ） (2026-04-15T16:15:25Z)
• AHBid: An Adaptable Hierarchical Bidding Framework for Cross-Channel Advertising [8.53485049764747]
  AHBidは、生成計画とリアルタイム制御を統合するAdaptable Hierarchical Biddingフレームワークである。 大規模なオフラインデータセットとオンラインA/Bテストによる実験は、AHBidの有効性を実証している。
  論文  参考訳（メタデータ） (2026-02-26T06:07:28Z)
• Hierarchical Multi-agent Meta-Reinforcement Learning for Cross-channel Bidding [4.741091524027138]
  リアルタイム入札(RTB)はオンライン広告エコシステムにおいて重要な役割を担っている。 従来の手法では、動的な予算配分問題を効果的に管理することはできない。 マルチチャネル入札最適化のための階層型マルチエージェント強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-26T05:26:30Z)
• Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
  予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。 我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。 本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• On the Fairness ROAD: Robust Optimization for Adversarial Debiasing [46.495095664915986]
  ROADは、局所的に不公平である可能性のある入力を優先するように設計されている。 所与のグローバルフェアネスレベルに対する局所的公正度と正確性に関して優位性を達成する。 また、分布シフトの下での公正な一般化も促進する。
  論文  参考訳（メタデータ） (2023-10-27T18:08:42Z)
• Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
  消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。 我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。 提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-03-28T00:23:23Z)
• Addressing Strategic Manipulation Disparities in Fair Classification [15.032416453073086]
  少数派の個人が、機能更新に高額な費用を払っていることがよく示されます。 マイノリティグループに対する戦略的操作コストを低減させる分類器を構築するための制約付き最適化フレームワークを提案する。 実世界の複数のデータセットに対して,本手法の有効性を実証的に示す。
  論文  参考訳（メタデータ） (2022-05-22T14:59:40Z)
• Fair and Consistent Federated Learning [48.19977689926562]
  フェデレートラーニング(FL)は、分散データソースから学習する能力に対する関心が高まっている。 本稿では,異なるローカルクライアント間で性能整合性とアルゴリズムフェアネスを協調的に検討するFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-19T01:56:08Z)

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。