生成多类型时序序列以缓解类不平衡问题
机器学习
2021-07-26 v2
摘要
从广告网络视角看，用户活动是由事件类型与时间间隔构成的多类型时序事件序列。理解广告网络中的用户模式已受到机器学习界日益增多的关注。其中，欺诈检测、转化率（CVR）与点击率（CTR）预测等问题尤为引人关注。然而，这些任务中多数类与少数类之间的类不平衡会使机器学习模型产生偏倚，导致性能不佳。本研究提出使用两种多类型（连续与离散）GAN 训练方法来应对传统 GAN 在离散 token 梯度更新传递上的局限。首先，我们采用基于强化学习（RL）的训练方法，随后采用以 softmax 函数参数化的多项分布的近似（Gumbel-Softmax）。基于合成数据的广泛实验表明，训练后的生成器能够生成具备期望性质（由多项准则度量）的序列。
引用
@article{arxiv.2104.03428,
title = {Generating Multi-type Temporal Sequences to Mitigate Class-imbalanced Problem},
author = {Lun Jiang and Nima Salehi Sadghiani and Zhuo Tao and Andrew Cohen},
journal= {arXiv preprint arXiv:2104.03428},
year = {2021}
}