利用因果学习和共轭预测提高 ROI
机器学习
2024-07-02 v1
摘要
在商业领域，如运维、广告和营销推荐中，利用数据挖掘和神经网络技术进行智能决策，尤其是在资源分配以优化 ROI 上至关重要。本研究聚焦于不同行业的成本感知二进制处理分配问题 (C-BTAP)，特别是以最新方法直接 ROI 预测 (DRP) 为焦点。然而，DRP 模型面临协变量漂移和训练数据不足的问题，限制了其实际效果。针对这些挑战对于确保在各种运营环境中可靠且稳健的预测至关重要。本文提出了稳健的直接 ROI 预测 (rDRP) 方法，旨在解决神经网络基于 uplift 模型在协变量漂移和训练数据不足条件下实际部署的挑战。rDRP 方法在不改变模型结构或需要重新训练的情况下增强了标准 DRP 模型。它利用共轭预测和蒙特卡洛 dropout 进行区间估计，适应模型不确定性和数据分布漂移。受 Kaggle 竞赛启发，引入一种启发式校准方法，将点估计和区间估计结合。通过离线测试和在各种场景下的在线 A/B 测试验证了这些方法的有效性，显示出与最先进方法相比在目标奖励方面具有显著改进。
引用
@article{arxiv.2407.01065,
title = {Improve ROI with Causal Learning and Conformal Prediction},
author = {Meng Ai and Zhuo Chen and Jibin Wang and Jing Shang and Tao Tao and Zhen Li},
journal= {arXiv preprint arXiv:2407.01065},
year = {2024}
}
备注
Accepted by ICDE 2024; Link: https://icde2024.github.io/papers.html