Behavioral Sequence Modeling with Ensemble Learning

要約

私たちは、行動モデリングのためのシーケンス分析の使用を調査し、人間の行動を理解する際には、連続的なコンテキストが集合的な特徴の価値を上回ることが多いことを強調します。
ヘルスケア、金融、電子商取引などの分野における一般的な問題をシーケンス モデリング タスクとして枠組み化し、断片化されたデータから一貫したシーケンスを構築し、複雑な動作パターンを解きほぐすことに関連する課題に取り組みます。
我々は、軽量で解釈可能で効率的な隠れマルコフ モデルのアンサンブルを使用したシーケンス モデリングのフレームワークを紹介します。
アンサンブルベースのスコアリング手法により、異なる長さのシーケンス間での堅牢な比較が可能になり、データが不均衡または不足しているシナリオでのパフォーマンスが向上します。
このフレームワークは現実世界のシナリオに合わせて拡張でき、ダウンストリームの機能ベースのモデリングと互換性があり、教師あり学習設定と教師なし学習設定の両方に適用できます。
私たちは、人間の長期的な行動データセットの結果を用いて、この方法の有効性を実証します。

要約(オリジナル)

We investigate the use of sequence analysis for behavior modeling, emphasizing that sequential context often outweighs the value of aggregate features in understanding human behavior. We discuss framing common problems in fields like healthcare, finance, and e-commerce as sequence modeling tasks, and address challenges related to constructing coherent sequences from fragmented data and disentangling complex behavior patterns. We present a framework for sequence modeling using Ensembles of Hidden Markov Models, which are lightweight, interpretable, and efficient. Our ensemble-based scoring method enables robust comparison across sequences of different lengths and enhances performance in scenarios with imbalanced or scarce data. The framework scales in real-world scenarios, is compatible with downstream feature-based modeling, and is applicable in both supervised and unsupervised learning settings. We demonstrate the effectiveness of our method with results on a longitudinal human behavior dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google