목차
1. 인과 추론 연구 패러다임 " > 1. 인과 추론 연구 패러다임
1. 랜덤 데이터에서 관측 데이터로 " > 1. 랜덤 데이터에서 관측 데이터로
2. 인과적 표현 학습" >2. 인과적 표현 학습
3. 반사실적 신용 모델 Mono-CFR" > 3. 반사실적 신용 모델 Mono-CFR
오프라인에서 할당량의 위험 추정 곡선을 평가하는 방법은 무엇입니까? " >오프라인에서 할당량의 위험 추정 곡선을 평가하는 방법은 무엇입니까?
기술 주변기기 일체 포함 반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

Jun 03, 2023 pm 10:16 PM
인과적 추론 두샤오만

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

1. 인과 추론 연구 패러다임

현재 연구 패러다임에는 두 가지 주요 연구 방향이 있습니다.

  • 유대 진주 구조 모델
  • 잠재적 출력 프레임워크

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

Judea Pearl의 책 "The Book of Why – The New Science of Cause and Effect"에서 인지 사다리는 세 가지 수준으로 위치합니다.

  • 첫 번째 수준 - 상관관계: 직접 관찰할 수 있는 상관관계를 통해 규칙을 알아냅니다.
  • 두 번째 수준 - 개입: 현상 유지가 변경되면 어떤 조치를 취해야 하며 어떤 결론을 내릴 수 있는지 실험적 관찰 ;
  • 세 번째 수준 - 반사실적: 법률 및 규정 등의 문제로 인해 직접적인 실험 관찰이 불가능합니다. 한 가지 질문이 더 어렵습니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

우선 상관관계를 생성하는 네 가지 방법을 설명하겠습니다.

1 인과관계: 원인과 결과 사이에는 신뢰할 수 있고 추적 가능하며 긍정적인 의존성이 있습니다. . 연기 및 화재 경보기와 같은 관계는 인과적으로 관련되어 있습니다.

2. 교란 관계 : 키와 독서 능력이 관련될 수 있는지 여부, 나이 등 직접적으로 관찰할 수 없는 교란 변수가 포함되어 있습니다. 변수가 유사하므로 유효한 결론을 도출합니다.

3. 선택 편향 : 이는 본질적으로 외모와 재능의 관계를 탐구하는 것과 같은 버크슨의 역설입니다. 그룹에서는 외모와 재능이 함께 어울리지 않는다는 결론을 내릴 수도 있습니다. 인간을 통틀어 보면 외모와 재능 사이에는 인과관계가 없다.

4. 역인과관계: 즉, 원인과 결과의 역전입니다. 예를 들어, 통계에 따르면 인간은 결혼한 기간이 길어질수록 수명이 길어집니다. 그러나 반대로, 더 오래 살고 싶다면 일찍 결혼해야 한다고 말할 수는 없습니다.

교란 요인이 관찰 결과에 어떤 영향을 미치는지, 다음 두 가지 사례로 설명하겠습니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

위 그림은 운동량과 콜레스테롤 수치의 관계를 설명합니다. 왼쪽 그림을 보면 운동량이 많을수록 콜레스테롤 수치가 높아진다는 결론을 내릴 수 있습니다. 그러나 연령층화를 추가하면 동일 연령층화 하에서 운동량이 많을수록 콜레스테롤 수치는 낮아진다. 또한, 나이가 들수록 콜레스테롤 수치는 점차 증가하므로 이러한 결론은 우리가 알고 있는 것과 일치합니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

두 번째 예는 신용 시나리오입니다. 과거 통계를 보면, 주어진 한도(빌릴 수 있는 금액)가 높을수록 연체율이 낮아진다는 것을 알 수 있습니다. 그러나 금융 분야에서는 먼저 A 카드를 기준으로 차용인의 신용 자격을 판단합니다. 신용 자격이 더 좋으면 플랫폼에서 더 높은 한도를 부여하고 전체 연체율은 매우 낮습니다. 그러나 현지 무작위 실험에 따르면 동일한 신용 자격을 가진 사람들에게는 신용 한도 이동 곡선이 천천히 변하는 사람이 있을 것이고, 신용 한도 이후에 신용 한도 이동 위험이 더 높은 사람도 있을 것입니다. 증가하면 위험 증가도 더 커집니다.

위의 두 사례는 모델링에서 교란 요인을 무시하면 잘못된 결론 또는 심지어 반대되는 결론을 얻을 수 있음을 보여줍니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

RCT 무작위 표본에서 관찰 표본 인과 모델링으로 전환하는 방법은 무엇입니까?

RCT 표본의 경우 ATE 지표를 평가하려면 그룹 빼기 또는 DID(차이의 차이)를 사용할 수 있습니다. CATE 지표를 평가하려면 향상 모델링을 사용할 수 있습니다. 일반적인 방법에는 메타학습기, 이중 기계 학습, 인과 숲 등이 있습니다. 여기서 주목해야 할 세 가지 필수 가정은 SUTVA, Unconfoundedness 및 Positivity입니다. 핵심 가정은 관찰되지 않은 교란 요인이 없다는 것입니다.

관찰표본만 있는 경우 치료->결과 간의 인과관계를 직접적으로 얻을 수는 없습니다. 공변량에서 치료까지의 백도어 경로를 차단하는 데 필요한 수단을 사용해야 합니다. 일반적인 방법으로는 도구변수 방법과 반사실적 표현 학습이 있습니다. 도구변수법은 특정 사업의 세부사항을 벗겨내고 사업변수의 인과관계도를 그려야 한다. 반사실적 표현 학습은 인과관계 평가를 위해 샘플을 유사한 공변량과 일치시키는 성숙한 기계 학습에 의존합니다.

2. 인과추론 프레임워크의 진화

1. 랜덤 데이터에서 관측 데이터로

다음으로 인과추론 프레임워크의 진화와 그 방법을 소개하겠습니다. 인과표상 학습으로 단계별로 전환합니다.

일반적인 향상 모델에는 Slearner, Tlearner, Xlearner가 포함됩니다.

여기서 Slearner는 개입 변수를 1차원 특징으로 처리합니다. 일반적인 나무 모델에서는 치료가 쉽게 압도되어 치료 효과 추정치가 더 작아진다는 점에 유의해야 합니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

Tlearner는 치료를 이산화하고, 개입 변수를 그룹별로 모델링하고, 각 치료에 대한 예측 모델을 구축한 후 차이를 만듭니다. 표본 크기가 작을수록 추정 분산이 높아진다는 점에 유의하는 것이 중요합니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

Xlearner 그룹 교차 모델링, 실험 그룹과 통제 그룹은 교차 계산되어 별도로 훈련됩니다. 이 방법은 S/T-learner의 장점을 결합한 것이지만, 모델 구조 오류가 더 많이 발생하고 매개변수 조정이 더 어렵다는 단점이 있습니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

세 모델의 비교:

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

위 그림에서 가로축은 복합 인과효과, MSE의 추정오차, 세로축은 단순 인과관계 효과, 가로축과 세로축은 각각 두 개의 데이터를 나타냅니다. 녹색은 Slearner의 오류 분포를 나타내고, 갈색은 Tlearner의 오류 분포를 나타내며, 파란색은 Xlearner의 오류 분포를 나타냅니다.

임의의 표본 조건에서는 Xlearner가 복잡한 인과 효과 추정과 단순한 인과 효과 추정에 더 좋습니다. Slearner는 복잡한 인과 효과 추정에 상대적으로 열악하고 단순 인과 효과 추정에 더 좋습니다. 반대로 Tlearner는 Slearner와 동일합니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

임의의 샘플이 있는 경우 X에서 T까지의 화살표를 제거할 수 있습니다. 관찰 모델링으로 전환한 후에는 X에서 T로의 화살표를 제거할 수 없습니다. 치료와 결과는 동시에 혼란 요인의 영향을 받습니다. 이때 일부 탈분극 처리가 수행될 수 있습니다. 예를 들어 DML(Double Machine Learning) 방식은 2단계 모델링을 수행합니다. 첫 번째 단계에서 X는 연령, 성별 등 사용자 고유의 표현 특성입니다. 예를 들어, 혼란스러운 변수에는 특정 그룹의 사람들을 선별하려는 역사적 노력이 포함될 수 있습니다. 두 번째 단계에서는 이전 단계의 계산 결과의 오류를 모델링하는데, 여기에 CATE의 추정치가 나와 있습니다.

랜덤 데이터에서 관측 데이터까지 세 가지 처리 방법이 있습니다.

(1) 무작위 실험을 수행하지만 비즈니스 비용이 더 높습니다.

(2) 도구 변수 찾기; , 일반적으로 상대적으로 어렵습니다.

(3) 모든 교란 요인이 관찰되었다고 가정하고 DML, 표현 학습 및 기타 방법을 사용하여 유사한 샘플을 일치시킵니다.

2. 인과적 표현 학습

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

반사실적 학습의 핵심 아이디어는 다양한 처리에 따라 특성 분포의 균형을 맞추는 것입니다.

두 가지 핵심 질문이 있습니다.

1. 훈련 샘플의 가중치를 조정하는 방법은 무엇입니까?

2. 변환된 샘플을 표현 공간에서 실험 그룹과 통제 그룹에 보다 균등하게 분포시키는 방법은 무엇입니까?

핵심 아이디어는 변환 매핑 후 각 샘플에 대한 반사실적 "쌍둥이"를 찾는 것입니다. 매핑 후 치료군과 대조군의 X 분포는 상대적으로 유사합니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

더 대표적인 작업은 TKDE 2022에 발표된 논문으로, DeR-CFR의 일부 작업을 소개합니다. 이 부분은 실제로 모델 없는 분리 방법을 사용하는 DR-CRF 모델의 반복입니다. 관찰된 변수.

X 변수를 조정 변수 A, 도구 변수 I, 교란 변수 C의 세 부분으로 나눕니다. 그런 다음 관찰된 데이터에 대한 인과 모델링의 목적을 달성하기 위해 I, C 및 A를 사용하여 다양한 처리에서 X의 가중치를 조정합니다.

이 방법의 장점은 교란 요인을 분리하고 추정 편향을 줄일 수 있다는 것입니다. 단점은 지속적인 개입을 처리하기 어렵다는 것입니다.

이 네트워크의 핵심은 세 가지 유형의 변수 A/I/C를 어떻게 분리하느냐 하는 것입니다. 조정 변수 A는 Y에만 관련되어 있으며 A와 T가 직교하고 A에서 Y에 대한 경험적 오류가 작은지 확인해야 합니다. 도구 변수 I는 T에만 관련되어 있으며 다음을 충족해야 합니다. T에 대한 I와 Y의 조건부 독립성 및 T에 대한 I의 경험 오류는 작습니다. 혼동 변수 C는 T와 Y 모두에 관련되어 있으며, w는 네트워크에 부여된 가중치입니다. 가중치를 적용하려면 C와 T가 w에 대해 조건부 독립임을 확인해야 합니다. 여기서 직교성은 로그손실 또는 mse 유클리드 거리 및 기타 제약 조건과 같은 일반적인 거리 공식을 통해 달성될 수 있습니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델


지속적인 개입을 처리하는 방법에 대한 몇 가지 새로운 논문 연구도 있습니다. ICLR2021에 게시된 VCNet은 지속적인 개입에 대한 추정 방법을 제공합니다. 단점은 관측데이터(CFR 시나리오)에 직접 적용하기 어렵다는 점이다.

X를 Z에 매핑합니다. Z에는 앞서 언급한 X 분해에서 주로 I 변수와 C 변수가 포함됩니다. 즉, 처리에 기여하는 변수가 X에서 추출됩니다. 여기서 연속 처리는 B 분할/예측 헤드로 구분되며 각 연속 함수는 분할 선형 함수로 변환되어 경험적 오류 로그 손실을 최소화하고 이를 학습하여

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

에 사용됩니다. 이를 사용하여 Complete Z와 θ(t)를 학습합니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

결과입니다. 여기서 θ(t)는 연속처리 처리의 핵심이다. 가변계수 모델이지만, 이 모델은 연속처리만 처리하므로, 관찰 데이터라면 각 B 세그먼트 데이터가 균일하다는 것을 보장할 수 없다.

3. 반사실적 신용 모델 Mono-CFR

마지막으로 Du Xiaoman의 반사실적 신용 모델을 소개하겠습니다. 여기서 주요 문제는 관찰 데이터에 대한 연속 처리의 반사실적 추정 문제를 해결하는 것입니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

핵심 질문은 플랫폼의 수익을 극대화하기 위해 사용자를 위한 (차용 가능한) 할당량을 어떻게 설계할 것인가 하는 것입니다. 여기서 사전 지식은 한도가 높을수록 더 많은 사용자가 차용하고 채무 불이행 위험이 높아진다는 것입니다. 그 반대의 경우도 마찬가지입니다.

  • 첫 번째 단계는 수익 공식을 정의하는 것입니다. 이익 = 할당량 소득 - 할당량 위험. 공식은 간단해 보이지만 실제로는 조정해야 할 세부 사항이 많습니다. 이런 방식으로 문제는 할당량과 위험(부실채무), 할당량과 수입 사이의 인과관계를 관찰 데이터로 모델링하는 것으로 변환됩니다.
  • 두 번째 단계는 각 할당 수준에서 사용자의 예상 수입과 대손을 추정하고 최대 이익 금액을 결정하는 것입니다.

우리는 각 사용자가 위 그림과 같은 이익 곡선을 갖고 다양한 할당량 수준에서 수익 가치에 대한 반사실적 추정을 할 것으로 예상합니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

금액이 높을수록 위험이 낮아진다는 것을 알 수 있습니다. 본질적으로 교란 요인이 존재하기 때문입니다. 우리 시나리오에서 혼란스러운 요소는 신용 자격입니다. 신용 자격이 좋은 사람에게 플랫폼은 더 높은 한도를 부여하고, 그 반대의 경우 플랫폼은 더 낮은 한도를 부여합니다. 신용등급이 우수한 사람의 절대위험은 신용등급이 낮은 사람에 비해 여전히 현저히 낮습니다. 신용등급을 높이면 한도가 높아지면 위험도 커지게 되고, 높은 한도는 사용자 자신의 지불능력을 초과하게 된다는 것을 알 수 있습니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

반실적 신용 모델의 틀을 소개하기 시작합니다. 관찰 가능한 변수 중 .

  • 도구변수 I: 정책, 수요 등 역사적 할당 전략에 영향을 주지만 연체 가능성에는 영향을 미치지 않습니다.
  • 혼란스러운 변수 C: 신용, 소득, 부채 등 한도 조정과 개인의 연체 가능성에 동시에 영향을 미칩니다.
  • 변수 A를 조정하면 환경, 사회적 지위 등이 연체율에 영향을 미칩니다.

모델 아이디어: 예상되는 양 μ(T|X)가 주어지면 ΔT와 Y 사이의 단조로운 관계(용량-반응 곡선)를 학습합니다. 기대량은 모델이 학습한 연속적인 경향량으로 이해하면 교란변수 C와 T량의 관계를 단절시키고 ΔT와 Y 사이의 인과관계 학습으로 전환하여 분포를 비교할 수 있다. ΔT 하에서 Y의 특성이 양호합니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델


위의 추상 프레임워크는 여기에서 더욱 구체화됩니다. ΔT는 가변 계수 모델로 변환된 다음 IntegrandNN 네트워크에 연결됩니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델


여기서 알파는 위험의 중요성을 측정하는 하이퍼 매개변수입니다.

Mono-CFR은 두 부분으로 구성됩니다:

  • 금액 성향 네트워크: X⊥ΔT가 되도록 전략 선호 금액을 예측합니다.

기능 1: T와 가장 관련성이 높은 X의 변수를 추출하고 경험적 오류를 최소화합니다.

기능 2: 역사적 전략에 대한 대략적인 샘플을 고정합니다.

  • 위험 단조 네트워크: 제약 조건 ΔT와 Y 간의 이론적 단조 관계입니다.

함수 1: 약한 계수 변수에 독립 단조 제약 조건을 적용합니다.

함수 2: 추정 편향을 줄입니다.

문제는 다음과 같이 변환됩니다.

  • 금액 성향 네트워크: 출력 ΔT와 Y 사이의 관계를 확인합니다.
  • 위험 단조 네트워크: ΔT와 Y의 단조성을 어떻게 제한할 수 있나요?

실제 할당 성향 네트워크 입력은 다음과 같습니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

가로축은 A 카드 점수로 정의된 그룹이며 서로 다른 성향 할당량 하에 있음을 알 수 있습니다. μ(T|X), 신용 차이 ΔT와 연체율 Y는 단조로운 증가 관계를 나타냅니다. 품질이 나쁠수록 신용 차이 ΔT 변화 곡선은 더 가파르고 실제 연체율 변화 곡선도 더 가파르며 전체 곡선이 더 큽니다. 여기서 결론은 전적으로 과거 데이터 학습을 통해 도출되었습니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

의 분포도를 보면 알 수 있는 실용적인 관점에서 설명합니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

이론적인 관점에서도 엄격하게 증명할 수 있습니다.

두 번째 부분은 위험 단조 네트워크의 구현입니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

여기서 ELU+1 함수의 수학적 표현은 다음과 같습니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

ΔT 및 연체율은 단조로운 증가 추세를 나타내며, 이는 ELU+1 함수의 도함수가 항상 0보다 크거나 같음으로 보장됩니다.

다음으로 위험 단조 네트워크가 약한 계수 변수에 대해 어떻게 더 정확하게 학습할 수 있는지 설명합니다.

다음 공식이 있다고 가정합니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

볼 수 있다 여기서 x1은 약한 계수 변수입니다. 단조성 제약 조건이 x1에 적용되면 응답 Y의 추정이 더 정확해집니다. 이러한 별도의 제약이 없으면 x1의 중요도가 x2에 의해 압도되어 모델 편향이 증가하게 됩니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

오프라인에서 할당량의 위험 추정 곡선을 평가하는 방법은 무엇입니까?

은 두 부분으로 나뉩니다.

  • 1부: 해석 가능한 검증

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

다양한 자격을 가진 사람들의 한계위험을 다음과 같이 그려라. 위 그림 변화 곡선을 통해 모델은 다양한 자격을 갖춘 다양한 수준의 사람들의 실제 할당량과 연체율 간의 차이를 학습할 수 있습니다(그림에서 서로 다른 색상으로 표시됨).

  • 2부: 소규모 트래픽 실험을 사용하여 상승 비닝을 통해 다양한 증가 범위의 위험 편차를 얻을 수 있는지 확인합니다.

온라인 실험 결론:

할당량이 30% 증가한다는 조건에서 연체자 수가 20% 이상 감소하고 차입금이 30% 증가하며 수익성이 좋아집니다. 30% 이상 증가합니다.

미래 모델 기대치:

모델이 없는 형식에서 도구 변수와 조정 변수를 더 명확하게 분리하여 모델이 품질이 낮은 그룹의 위험 이전에 대해 더 나은 성능을 발휘할 수 있습니다.

실제 비즈니스 시나리오에서 Du Xiaoman의 모델 진화 반복 프로세스는 다음과 같습니다.

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델

첫 번째 단계는 관측 모델링, 지속적으로 과거 관측 데이터 롤링, 반사실적 인과 학습 수행, 지속적으로 새로운 교육 창 열기 및 외부 데이터 소스 보완입니다.

두 번째 단계는 모델 반복입니다. 효과적인 모델 반복을 지원하기 위해 소규모 트래픽 무작위 샘플을 기반으로 효과를 검증합니다.

세 번째 단계는 비즈니스 의사결정입니다. 비즈니스는 모델 효과 개선을 검증하고 비즈니스 이점을 얻기 위해 모델 출력을 기반으로 실험적인 결정을 내립니다.

위 내용은 반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

본 웹사이트의 성명
본 글의 내용은 네티즌들의 자발적인 기여로 작성되었으며, 저작권은 원저작자에게 있습니다. 본 사이트는 이에 상응하는 법적 책임을 지지 않습니다. 표절이나 침해가 의심되는 콘텐츠를 발견한 경우 admin@php.cn으로 문의하세요.

핫 AI 도구

Undresser.AI Undress

Undresser.AI Undress

사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover

AI Clothes Remover

사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool

Undress AI Tool

무료로 이미지를 벗다

Clothoff.io

Clothoff.io

AI 옷 제거제

AI Hentai Generator

AI Hentai Generator

AI Hentai를 무료로 생성하십시오.

뜨거운 도구

메모장++7.3.1

메모장++7.3.1

사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전

SublimeText3 중국어 버전

중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기

스튜디오 13.0.1 보내기

강력한 PHP 통합 개발 환경

드림위버 CS6

드림위버 CS6

시각적 웹 개발 도구

SublimeText3 Mac 버전

SublimeText3 Mac 버전

신 수준의 코드 편집 소프트웨어(SublimeText3)

주요 기술 아이디어 및 인과 추론 방법 요약 주요 기술 아이디어 및 인과 추론 방법 요약 Apr 12, 2023 am 08:10 AM

서론: 인과 추론은 데이터 과학의 중요한 분야로, 인터넷과 업계에서 제품 반복, 알고리즘 및 인센티브 전략 평가에 중요한 역할을 합니다. 이는 데이터, 실험 또는 통계적 계량 경제학 모델을 결합하여 새로운 변화의 영향을 계산합니다. 혜택은 의사 결정의 기초입니다. 그러나 인과 추론은 간단한 문제가 아니다. 우선 일상생활에서 사람들은 상관관계와 인과관계를 혼동하는 경우가 많다. 상관관계는 종종 두 변수가 동시에 증가하거나 감소하는 경향이 있음을 의미하지만 인과관계는 변수를 변경할 때 어떤 일이 일어날지 알고 싶거나 변수를 변경할 경우 반사실적인 결과를 얻을 것으로 기대하는 것을 의미합니다. 과거 우리가 다른 행동을 취하면 미래에는 변화가 있을까요? 그러나 어려운 점은 반사실적 데이터가 종종

반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델 반사실적 인과 추론을 기반으로 한 Duxiaoman 할당량 모델 Jun 03, 2023 pm 10:16 PM

1. 인과 추론의 연구 패러다임 현재 연구 패러다임에는 두 가지 주요 연구 방향이 있습니다. 하나는 Judea Pearl 구조 모델의 잠재적 출력 프레임워크입니다. Judea Pearl의 책 "The Book of Cause and Effect"에서는 인지 사다리를 사용합니다. 1단계 - 연관 : 직접 관찰할 수 있는 상관관계를 통해 규칙을 찾아내고, 2단계 - 개입 : 현상이 바뀌면 어떤 조치를 취하고 어떤 결론을 도출해야 하는지를 알 수 있다. 세 번째 수준 - 반사실적: 법률 및 규정과 같은 문제로 인해 실험적으로 직접 관찰할 수 없으며, 조치가 실행되었다면 어떤 일이 발생했을지에 대해 다음과 같은 반사실적 가정이 이루어집니다.

그것에 집중하세요! ! 인과 추론을 위한 두 가지 주요 알고리즘 프레임워크 분석 그것에 집중하세요! ! 인과 추론을 위한 두 가지 주요 알고리즘 프레임워크 분석 Jun 04, 2024 pm 04:45 PM

1. 전체 프레임워크의 주요 작업은 세 가지 범주로 나눌 수 있습니다. 첫 번째는 인과구조의 발견, 즉 데이터로부터 변수들 간의 인과관계를 찾아내는 것이다. 두 번째는 인과효과 추정, 즉 한 변수가 다른 변수에 미치는 영향 정도를 데이터로부터 추론하는 것이다. 이러한 영향은 상대적인 성격을 말하는 것이 아니라, 하나의 변수가 개입될 때 다른 변수의 값이나 분포가 어떻게 변하는가를 의미한다는 점에 유의해야 합니다. 마지막 단계는 편향을 수정하는 것입니다. 왜냐하면 많은 작업에서 다양한 요인으로 인해 개발 샘플과 애플리케이션 샘플의 분포가 다를 수 있기 때문입니다. 이 경우 인과 추론은 편견을 수정하는 데 도움이 될 수 있습니다. 이러한 기능은 다양한 시나리오에 적합하며 그 중 가장 일반적인 것은 의사 결정 시나리오입니다. 인과 추론을 통해 우리는 다양한 사용자가 의사 결정 행동에 어떻게 반응하는지 이해할 수 있습니다. 둘째, 업계에서는

마케팅 및 설명 가능성에 인과 추천 기술 적용 마케팅 및 설명 가능성에 인과 추천 기술 적용 May 18, 2023 pm 01:58 PM

1. 상승 이득 민감도 예측 상승 이득과 관련하여 일반적인 비즈니스 문제는 다음과 같이 요약될 수 있습니다. 정의된 사람들 그룹 중에서 마케팅 담당자는 원래 마케팅 활동 T와 비교하여 새로운 마케팅 활동 T=1이 얼마나 가져올 수 있는지 알고 싶어합니다. =0. 평균 이익(lift, ATE, AverageTreatmentEffect)은 얼마입니까? 새로운 마케팅 활동이 원래 마케팅 활동보다 더 효과적인지 모두가 관심을 가질 것입니다. 보험 시나리오에서 마케팅 행위는 주로 카피라이팅, 추천 모듈에 공개된 상품 등 보험 추천을 의미하며, 다양한 마케팅 행위와 제약 조건 하에서 마케팅 행위로 인해 가장 많은 이익을 얻은 그룹을 찾아 목표로 삼는다. 전달(잠재고객 타겟팅). 먼저 비교를 해보겠습니다

인과 추론 기반 추천 시스템: 검토 및 전망 인과 추론 기반 추천 시스템: 검토 및 전망 Apr 12, 2024 am 09:01 AM

이번 공유의 주제는 인과 추론에 기반한 추천 시스템입니다. 과거 관련 작업을 검토하고 이에 대한 향후 전망을 제안합니다. 추천 시스템에서 인과 추론 기술을 사용해야 하는 이유는 무엇입니까? 기존 연구 작업에서는 세 가지 유형의 문제를 해결하기 위해 인과 추론을 사용합니다(Gaoe et al.의 TOIS2023 논문 추천 시스템의 인과 추론: ASurvey 및 Future Directions 참조). 첫째, 추천 시스템에는 다양한 편향(BIAS)이 있으며, 인과 추론 편향을 위해 이러한 도구를 제거하는 효과적인 방법입니다. 추천 시스템은 데이터 부족 문제와 인과 관계 효과를 정확하게 추정할 수 없는 문제를 해결하는 데 어려움을 겪을 수 있습니다. 해결하기 위해

콰이쇼우 단편영상 추천으로 인과추론 연습 콰이쇼우 단편영상 추천으로 인과추론 연습 Feb 05, 2024 pm 06:20 PM

1. Kuaishou 단일 열 단편 영상 추천 시나리오 1. Kuaishou 소개* 데이터는 2023년 2분기 기준입니다. Kuaishou는 인기 있는 단편 영상 및 라이브 방송 커뮤니티 애플리케이션으로 인상적인 MAU 및 새로운 DAU 기록을 달성했습니다. Kuaishou의 핵심 개념은 평범한 사람들의 삶을 관찰하고 공유함으로써 모든 사람이 콘텐츠 제작자이자 전파자가 될 수 있도록 하는 것입니다. Kuaishou 애플리케이션에서 짧은 비디오 장면은 주로 단일 열과 이중 열의 두 가지 형식으로 나뉩니다. 현재 단일 열의 트래픽은 상대적으로 크며 사용자는 위아래로 슬라이드하여 비디오 콘텐츠를 몰입감 있게 탐색할 수 있습니다. 이중 열 프레젠테이션은 정보 흐름과 유사합니다. 사용자는 화면에 나타나는 여러 콘텐츠 중에서 관심 있는 콘텐츠를 선택하고 클릭하여 시청해야 합니다. 추천 알고리즘은 Kuaishou 비즈니스 생태계의 핵심이며 트래픽 분산에 중요합니다.

인과 추론에 데이터를 더 잘 활용하는 방법은 무엇입니까? 인과 추론에 데이터를 더 잘 활용하는 방법은 무엇입니까? Apr 11, 2023 pm 07:43 PM

서론: 이번 공유의 제목은 "인과 추론에 데이터를 더 잘 활용하는 방법은?"입니다. '에서는 원인과 결과에 관해 발표된 논문과 관련된 팀의 최근 작업을 주로 소개합니다. 이 보고서에서는 두 가지 측면에서 더 많은 데이터를 사용하여 인과관계 추론을 할 수 있는 방법을 소개합니다. 하나는 과거 통제 데이터를 사용하여 혼동 편향을 명시적으로 완화하는 것이고, 다른 하나는 다중 소스 데이터를 융합하여 인과관계 추론을 하는 것입니다. 전체 텍스트 목차: 개미 비즈니스 애플리케이션의 인과 추론, 배경 수정, 인과 트리, GBCT 인과 데이터 융합 1. 인과 추론 배경 일반적인 기계 학습 예측 문제는 일반적으로 동일한 시스템에 설정됩니다. 일반적으로 흡연자를 예측하는 것과 폐암에 걸릴 확률, 그림 분류 등의 예측 문제를 가정합니다. 원인과 결과에 대한 질문은 데이터 뒤에 숨은 메커니즘과 관련이 있습니다.

AI 사기는 성공률 100%인가? 두샤오만의 딥페이크 방지 모델 '마술로 마법을 물리친다” AI 사기는 성공률 100%인가? 두샤오만의 딥페이크 방지 모델 '마술로 마법을 물리친다” May 30, 2023 pm 09:46 PM

2023-05-2610:22:19 작성자: 송준이 최근 웨이보에서는 #AI프라우드 성공률이 100%에 가깝다#라는 주제가 화제가 되었습니다. AI가 얼굴을 바꾸는 영상이 푸젠성의 한 기술회사 법정대리인에게 10분 만에 430만 위안을 사취했다. 해외에서도 AI 관련 사기 사건이 발생했다. 구글 CEO의 영상이 첨부된 이메일로 인해 많은 유튜브 블로거들이 위험한 바이러스가 포함된 파일을 다운로드하게 됐다. 두 사기 사건 모두 딥페이크 기술과 관련되어 있습니다. 이것은 6년 동안 이어져 온 얼굴 변경 방법입니다. 요즘에는 AIGC 기술의 폭발적인 발전으로 식별하기 어려운 딥페이크 동영상을 만드는 것이 점점 더 쉬워졌습니다. 안면인식 기술이 널리 활용되는 금융산업에서는

See all articles