基于对抗特征脱敏的鲁棒性增强 uplift 建模
机器学习
2024-01-01 v3 人工智能
摘要
Uplift建模在在线营销中已展现出非常有前景的结果。然而，大多数现有工作在一些实际应用中易受鲁棒性挑战的影响。在本文中，我们首先对上述现象给出一种可能的解释。我们使用不同的真实世界数据集验证了在线营销中存在特征敏感性问题，其中某些关键特征的扰动会严重影响uplift模型的性能甚至导致相反的趋势。为解决上述问题，我们提出一种新颖的带对抗特征脱敏的鲁棒性增强uplift建模框架（RUAD）。具体而言，我们的RUAD通过两个定制模块能更有效地缓解uplift模型的特征敏感性，包括一个带有联合多标签建模的特征选择模块以从输入特征中识别关键子集，以及一个使用对抗训练和软插值操作的对抗特征脱敏模块以增强模型对该选定特征子集的鲁棒性。最后，我们在公开数据集和真实产品数据集上进行广泛实验，以验证我们的RUAD在在线营销中的有效性。此外，我们还展示了我们的RUAD对特征敏感性的鲁棒性，以及与不同uplift模型的兼容性。
引用
@article{arxiv.2310.04693,
title = {Robustness-enhanced Uplift Modeling with Adversarial Feature Desensitization},
author = {Zexu Sun and Bowei He and Ming Ma and Jiakai Tang and Yuchen Wang and Chen Ma and Dugang Liu},
journal= {arXiv preprint arXiv:2310.04693},
year = {2024}
}