Robustness-enhanced Uplift Modeling with Adversarial Feature Desensitization

要約

Uplift モデリングは、オンライン マーケティングにおいて非常に有望な結果を示しています。
ただし、既存の作品のほとんどは、いくつかの実際のアプリケーションでは堅牢性の課題に直面する傾向があります。
この論文では、まず上記の現象について考えられる説明を提示します。
私たちは、さまざまな現実世界のデータセットを使用して、オンライン マーケティングに特徴の感度の問題があることを検証します。この問題では、いくつかの主要な特徴の摂動が上昇モデルのパフォーマンスに深刻な影響を与え、さらには逆の傾向を引き起こす可能性があります。
上記の問題を解決するために、我々は、敵対的特徴感度低下 (RUAD) を備えた新しいロバスト性強化アップリフト モデリング フレームワークを提案します。
具体的には、当社の RUAD は、入力特徴から主要なサブセットを識別するための共同マルチラベル モデリングを備えた特徴選択モジュールと、敵対的トレーニングと敵対的トレーニングを使用した敵対的特徴鈍感化モジュールを含む、2 つのカスタマイズされたモジュールを通じて隆起モデルの特徴感度をより効果的に軽減できます。
ソフト補間操作を使用して、この選択された特徴のサブセットに対するモデルの堅牢性を強化します。
最後に、オンライン マーケティングにおける RUAD の有効性を検証するために、公開データセットと実際の製品データセットで広範な実験を実施します。
さらに、機能の感度に対する RUAD の堅牢性と、さまざまなアップリフト モデルとの互換性も実証します。

要約(オリジナル)

Uplift modeling has shown very promising results in online marketing. However, most existing works are prone to the robustness challenge in some practical applications. In this paper, we first present a possible explanation for the above phenomenon. We verify that there is a feature sensitivity problem in online marketing using different real-world datasets, where the perturbation of some key features will seriously affect the performance of the uplift model and even cause the opposite trend. To solve the above problem, we propose a novel robustness-enhanced uplift modeling framework with adversarial feature desensitization (RUAD). Specifically, our RUAD can more effectively alleviate the feature sensitivity of the uplift model through two customized modules, including a feature selection module with joint multi-label modeling to identify a key subset from the input features and an adversarial feature desensitization module using adversarial training and soft interpolation operations to enhance the robustness of the model against this selected subset of features. Finally, we conduct extensive experiments on a public dataset and a real product dataset to verify the effectiveness of our RUAD in online marketing. In addition, we also demonstrate the robustness of our RUAD to the feature sensitivity, as well as the compatibility with different uplift models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google