arXiv · 25.06.2026 ·Машинное обучение

Новый метод CHAUN для повышения точности uplift-моделирования

Исследователи представили архитектуру Cross-Head Attention Uplift Network (CHAUN) и метод Robust Adversarial Inverse Propensity Score (RA-IPS) для оценки индивидуальных эффектов воздействия (ITE). Решение позволяет эффективнее использовать сходство между группами данных и устранять смещения, вызванные неявными факторами, что критически важно для точного прогнозирования результатов маркетинговых кампаний и персонализированных стратегий взаимодействия с клиентами.

Традиционные методы uplift-моделирования часто сталкиваются с проблемой «неучтенных факторов» (unobserved confounding), которые искажают оценку причинно-следственных связей. Предложенный подход использует механизм кросс-хед внимания для динамического сопоставления признаков между контрольной и тестовой группами. Это позволяет модели лучше улавливать различия в поведении пользователей, даже когда исходные данные содержат скрытые переменные, влияющие на выборку.

Метод RA-IPS дополняет архитектуру, обеспечивая устойчивость к систематическим ошибкам. В отличие от стандартных подходов, использующих только обратную вероятность склонности, этот метод применяет состязательное обучение для минимизации влияния скрытых факторов. В результате модель становится более надежной при работе с реальными бизнес-данными, где невозможно учесть все внешние параметры, влияющие на поведение аудитории.

Ключевые факты

CHAUN использует механизм кросс-хед внимания для повышения дискриминативной способности моделей при оценке ITE.
Метод RA-IPS внедряет состязательный подход для коррекции смещений, вызванных неявными факторами.
Архитектура направлена на решение проблемы нехватки данных о скрытых переменных в задачах uplift-моделирования.
Технология позволяет точнее определять инкрементальный эффект от маркетинговых воздействий на конкретных пользователей.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

The Decoder · Безопасность и алайнмент Новый метод обучения ИИ через внедрение полезных поведенческих черт Исследователи OpenAI представили подход к обучению моделей, основанный на закреплении конкретных поведенческих паттернов, таких как правдивость и готовность к исправлению ошибок. Вместо использования конституционных ограничений, как это делает Anthropic, авторы применяют метод обучения с подкреплением на небольших наборах данных, содержащих примеры желаемого поведения. Такой подход позволяет модели переносить усвоенные принципы на различные предметные области, делая систему более устойчивой к попыткам манипуляции. Hacker News · ИИ в маркетинге Как устранить галлюцинации ИИ в маркетинговых кампаниях Генеративные модели, используемые в маркетинге, часто допускают фактические ошибки при анализе рекламных кампаний из-за отсутствия доступа к актуальным данным из рекламных кабинетов. Основная проблема заключается в том, что стандартные LLM обучаются на статичных наборах данных, которые не отражают динамику текущих показателей эффективности, таких как CTR, стоимость клика или конверсия в реальном времени. arXiv · Обучение и дообучение Использование RL-обучения для улучшения агентных способностей LLM Исследователи обнаружили, что стандартное обучение с подкреплением (RL) при дообучении моделей уже содержит скрытый потенциал для улучшения агентных навыков. Авторы работы доказывают, что этот процесс позволяет эффективно оценивать пошаговые действия моделей без необходимости в сложных внешних системах вознаграждения, что критически важно для решения долгосрочных задач в стохастических средах, где традиционные методы аннотирования данных практически не работают. arXiv · Машинное обучение Метод MAST для точечного удаления нежелательных навыков рассуждения в LLM Исследователи представили метод MAST (Mechanism-Aligned Selective Targeting), предназначенный для избирательного удаления специфических паттернов рассуждения, привитых моделям через обучение с подкреплением (RLVR). Традиционные подходы к «забыванию» (unlearning) часто приводят к деградации общих способностей модели из-за полнопараметрических обновлений. Новый метод позволяет изолировать и корректировать только те веса, которые отвечают за конкретные логические цепочки, минимизируя побочный ущерб для базовых знаний модели. arXiv · Машинное обучение Новый метод обучения с подкреплением на основе предпочтений UBP2 Исследователи представили алгоритм UBP2 (Uncertainty-Balanced Preference Planning), направленный на повышение эффективности обучения с подкреплением на основе предпочтений (Preference-based RL). Традиционные подходы в этой области часто зависят от пассивного сбора данных, что приводит к низкой скорости обучения, особенно на начальных этапах, когда системе не хватает информации о предпочтениях пользователя. arXiv · Оркестрация агентов Новый метод обучения GUI-агентов через автономное исследование опыта Исследователи представили метод повышения эффективности мультимодальных веб-агентов при выполнении сложных задач в графических интерфейсах. Подход базируется на автономном исследовании среды и использовании ретроспективного анализа накопленного опыта. Это позволяет компактным open-source моделям значительно улучшить навыки планирования и обобщения действий на различных сайтах, не уступая в качестве работы проприетарным крупным языковым моделям. Hacker News · Исследования и наука HRM-Text: новый подход к эффективному дообучению языковых моделей Исследователи представили HRM-Text — метод повышения эффективности предобучения языковых моделей, который выходит за рамки простого увеличения вычислительных мощностей. Авторы предлагают оптимизированный подход к обработке данных и архитектурным изменениям, позволяющий достичь высокой производительности при меньших затратах ресурсов. Это значимый шаг в сторону оптимизации обучения LLM, делающий создание мощных моделей более доступным и экономически оправданным. Hugging Face - Blog · Оценка и бенчмарки Новый подход к оценке агентных способностей открытых моделей Hugging Face представила методологию для оценки того, насколько эффективно языковые модели справляются с использованием внешних инструментов. В отличие от стандартных тестов на логику или знание фактов, новый подход фокусируется на способности модели вызывать функции, интерпретировать ответы API и корректировать свои действия в рамках многошаговых задач. Это позволяет разработчикам точнее определять, какая модель лучше подходит для создания автономных агентов. arXiv · Оценка и бенчмарки OpenRCA 2.0: новый подход к оценке агентного анализа первопричин Исследователи представили OpenRCA 2.0 — обновленный бенчмарк для оценки способности ИИ-агентов проводить анализ первопричин (Root Cause Analysis). В отличие от предшественников, фокусирующихся только на конечном результате, новая методология использует причинно-следственный надзор за процессом. Это заставляет модели демонстрировать глубокое понимание логических цепочек и последовательностей событий, а не просто полагаться на простое сопоставление паттернов в данных. arXiv · Машинное обучение Использование неявных сигналов пользователя для дообучения LLM Исследователи представили новый подход к дообучению больших языковых моделей, основанный на анализе неявных действий пользователей. Традиционные методы настройки моделей опираются на явную обратную связь, такую как оценки «нравится» или «не нравится», что требует значительных затрат на сбор данных и встречается крайне редко. Новый метод предлагает использовать для обучения данные о поведении пользователя в интерфейсе, включая движения мыши, траекторию взгляда и время взаимодействия с контентом.

← Все материалы