L2P: Learning to Place for Estimating Heavy-Tailed Distributed Outcomes

要約

現実世界の予測タスクの多くには、特徴的なヘビーテール分布を持つ結果変数があります。
例には、販売された書籍のコピー、美術品のオークション価格、倉庫内の商品の需要などが含まれます。ヘビーテール分布を学習することで、「大きくて珍しい」インスタンス (ベストセラーなど) が正確に予測できるようになります。
既存のアプローチのほとんどは、ヘビーテール分布の学習に特化したものではありません。
したがって、彼らはそのような事例を大幅に過小予測しています。
この問題に取り組むために、インスタンス間のペア関係を学習に利用する Learning to Place (L2P) を導入します。
トレーニング フェーズでは、L2P はペアごとの優先分類器を学習します。インスタンス A > インスタンス B ですか?
配置フェーズでは、L2P は既知のインスタンスの中に新しいインスタンスを配置することで予測を取得します。
配置に基づいて、新しいインスタンスには結果変数の値が割り当てられます。
実際のデータでの実験では、L2P が精度とヘビーテール結果分布を再現する能力の点で競合するアプローチよりも優れていることが示されています。
さらに、L2P は、予測された各インスタンスを比較可能な隣接インスタンスとの関係に配置することにより、解釈可能なモデルを提供します。
人命や財産が危険にさらされている場合、解釈可能なモデルが非常に望まれます。

要約(オリジナル)

Many real-world prediction tasks have outcome variables that have characteristic heavy-tail distributions. Examples include copies of books sold, auction prices of art pieces, demand for commodities in warehouses, etc. By learning heavy-tailed distributions, ‘big and rare’ instances (e.g., the best-sellers) will have accurate predictions. Most existing approaches are not dedicated to learning heavy-tailed distribution; thus, they heavily under-predict such instances. To tackle this problem, we introduce Learning to Place (L2P), which exploits the pairwise relationships between instances for learning. In its training phase, L2P learns a pairwise preference classifier: is instance A > instance B? In its placing phase, L2P obtains a prediction by placing the new instance among the known instances. Based on its placement, the new instance is then assigned a value for its outcome variable. Experiments on real data show that L2P outperforms competing approaches in terms of accuracy and ability to reproduce heavy-tailed outcome distribution. In addition, L2P provides an interpretable model by placing each predicted instance in relation to its comparable neighbors. Interpretable models are highly desirable when lives and treasure are at stake.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google