Econチームでは経済学において培われてきたデータの見方や意思決定の分析方法を用いて、より質が高く効率的な意思決定をもたらせる技術の開発を目指しています。
多くの場合、ビジネスにおいて売り上げや利益を発生させているのは意思決定です。 機械学習のようなAI技術は過去のデータに基づいた予測を提供し、ビジネスにおいて大量の意思決定を効率的に行うことを可能にしてくれます。しかし、多くの場合AI技術は意思決定の結果に対しての研究はされておらず、より質の高い意思決定をもたらすための方法は整理されていません。一方で因果推論や計量経済学は過去のデータに含まれるバイアスを取り除いた適正な効果検証を提供し、ビジネスにおいてより質の高い意思決定を行うことを可能にしてくれます。 これらの技術を組み合わせる事で、ビジネスにおいてより質の高い意思決定を効率的に行うデータサイエンス技術を開発する事を目指しています。
研究キーワード
#因果推論 #計量経済学 #メカニズムデザイン #強化学習
多くの場合、ビジネスにおいて売り上げや利益を発生させているのは意思決定です。 機械学習のようなAI技術は過去のデータに基づいた予測を提供し、ビジネスにおいて大量の意思決定を効率的に行うことを可能にしてくれます。しかし、多くの場合AI技術は意思決定の結果に対しての研究はされておらず、より質の高い意思決定をもたらすための方法は整理されていません。一方で因果推論や計量経済学は過去のデータに含まれるバイアスを取り除いた適正な効果検証を提供し、ビジネスにおいてより質の高い意思決定を行うことを可能にしてくれます。 これらの技術を組み合わせる事で、ビジネスにおいてより質の高い意思決定を効率的に行うデータサイエンス技術を開発する事を目指しています。
研究キーワード
#因果推論 #計量経済学 #メカニズムデザイン #強化学習
因果機械学習（Counterfactual Machine Learning）
機械学習のオフライン評価
機械学習は効率的に予測を行うことで、ビジネスにおける推薦や広告画像の選択といった意思決定の効率を高めることに貢献しています。しかし、現在一般的とされる機械学習の評価方法は、応用されたときの意思決定の質に対する評価は何も行えていません。このテーマでは因果推論の手法を応用することで「機械学習が意思決定の質に与える影響」を評価する方法を研究しています。
関連リンク
Efficient Counterfactual Learning from Bandit Feedback（AAAI'19）
Off-Policy Evaluation and Learning for External Validity under a Covariate Shift（NeurIPS'20）
バンディットと因果推論
Off-Policy Exploitability-Evaluation in Two-Player Zero-Sum Markov Games (AAMAS’21)
機械学習におけるバイアスの評価と除去
ユーザーの購買確率の予測やクリック確率の予測のように、機械学習の予測精度がビジネスの売り上げや利益を大きく左右することがあります。しかし多くの機械学習の応用では、学習可能なデータにバイアスが存在するが故に、無意識的に本来予測したいユーザーではなくその一部分のみに予測性能を特化させることが発生しています。このテーマではそのようなバイアスを特定・除去することで真に予測精度を向上させたい対象に対して予測性能を向上させ、ビジネスにおける売り上げや利益を向上させることを目指しています。
関連リンク
A Feedback Shift Correction in Predicting Conversion Rates under Delayed Feedback（WWW'20）
個別因果効果の予測・推定
あるユーザーに広告や施策などの介入を行った場合にどうなるのか？という介入効果を予測することはビジネス上重要です。しかし、このような効果を予測するような機械学習の応用には評価や運用の側面において多くの問題があります。このテーマでは、実際に応用を行う際に発生する問題点に対する研究を行います。
関連リンク
Counterfactual Cross-Validation: Stable Model Selection Procedure for Causal Inference Models（ICML'20）
Uplift modeling for location-based online advertising（3rd ACM SIGSPATIAL Workshop on Location-based Recommendations）
機械学習は効率的に予測を行うことで、ビジネスにおける推薦や広告画像の選択といった意思決定の効率を高めることに貢献しています。しかし、現在一般的とされる機械学習の評価方法は、応用されたときの意思決定の質に対する評価は何も行えていません。このテーマでは因果推論の手法を応用することで「機械学習が意思決定の質に与える影響」を評価する方法を研究しています。
関連リンク
Efficient Counterfactual Learning from Bandit Feedback（AAAI'19）
Off-Policy Evaluation and Learning for External Validity under a Covariate Shift（NeurIPS'20）
バンディットと因果推論
Off-Policy Exploitability-Evaluation in Two-Player Zero-Sum Markov Games (AAMAS’21)
機械学習におけるバイアスの評価と除去
ユーザーの購買確率の予測やクリック確率の予測のように、機械学習の予測精度がビジネスの売り上げや利益を大きく左右することがあります。しかし多くの機械学習の応用では、学習可能なデータにバイアスが存在するが故に、無意識的に本来予測したいユーザーではなくその一部分のみに予測性能を特化させることが発生しています。このテーマではそのようなバイアスを特定・除去することで真に予測精度を向上させたい対象に対して予測性能を向上させ、ビジネスにおける売り上げや利益を向上させることを目指しています。
関連リンク
A Feedback Shift Correction in Predicting Conversion Rates under Delayed Feedback（WWW'20）
個別因果効果の予測・推定
あるユーザーに広告や施策などの介入を行った場合にどうなるのか？という介入効果を予測することはビジネス上重要です。しかし、このような効果を予測するような機械学習の応用には評価や運用の側面において多くの問題があります。このテーマでは、実際に応用を行う際に発生する問題点に対する研究を行います。
関連リンク
Counterfactual Cross-Validation: Stable Model Selection Procedure for Causal Inference Models（ICML'20）
Uplift modeling for location-based online advertising（3rd ACM SIGSPATIAL Workshop on Location-based Recommendations）
意思決定の自動化・効率化
マーケティングサイエンスの知識を応用したバンディットアルゴリズムの提案
マーケティングサイエンスにおいて広告の表示回数が増加するとユーザーは広告に飽きたり疲れたりすることが、wear-outという現象として知られています。この研究ではその様な状況を考慮した自動的な広告画像の選択を提案しています。
関連リンク
Fatigue-Aware Ad Creative Selection（SUM'20）
広告オークションにおける入札戦略の提案
Webページ内の広告の多くは、リアルタイムで行われるオークションによって取引が行われています。
この広告オークションでは非常に短い時間の中で適切な意思決定を行う必要があります。
この研究では、ユーザーが指定した勝率、予算制約を満たすように適応的に入札額を決定するアルゴリズムを提案しています。
関連リンク
Online Learning for Bidding Agent in First Price Auction（AAAI'20 Workshop on Reinforcement Learning in Games）
マーケティングサイエンスにおいて広告の表示回数が増加するとユーザーは広告に飽きたり疲れたりすることが、wear-outという現象として知られています。この研究ではその様な状況を考慮した自動的な広告画像の選択を提案しています。
関連リンク
Fatigue-Aware Ad Creative Selection（SUM'20）
広告オークションにおける入札戦略の提案
Webページ内の広告の多くは、リアルタイムで行われるオークションによって取引が行われています。
この広告オークションでは非常に短い時間の中で適切な意思決定を行う必要があります。
この研究では、ユーザーが指定した勝率、予算制約を満たすように適応的に入札額を決定するアルゴリズムを提案しています。
関連リンク
Online Learning for Bidding Agent in First Price Auction（AAAI'20 Workshop on Reinforcement Learning in Games）