bóng đá trực tuyến kèo nhà cái Lab, đồng tác giả bài báo được chấp nhận tại CIKM, hội nghị quốc tế lớn trong lĩnh vực khai thác dữ liệu - Đề xuất phương pháp tối ưu hóa siêu tham số cho dữ liệu không có thông tin trả lời chính xác -

CyberAgent Co, Ltd (Trụ sở chính: Shibuya-ku, Tokyo, Giám đốc đại diện: Susumu Fujita, Được niêm yết trên Phần đầu tiên của Sở giao dịch chứng khoán Tokyo: Mã chứng khoán: 4751) đã thông báo rằng một bài báo được đồng tác giả bởi Masahiro Nomura*, một nhà nghiên cứu liên kết với bóng đá trực tuyến kèo nhà cái Lab, một tổ chức nghiên cứu và phát triển công nghệ trí tuệ nhân tạo và Yuta Saito* của Hanjuku Virtual Co, Ltd, sẽ được giới thiệu tại CIKM 2021, một hội nghị quốc tế trong lĩnh vực khai thác dữ liệu※1(*Đồng tác giả)
``CIKM'' là hội nghị quốc tế được tổ chức hàng năm bởi các nhà nghiên cứu trên khắp thế giới và là một trong những hội nghị quốc tế uy tín trong lĩnh vực khai thác dữ liệu và truy xuất thông tin Tỷ lệ chấp nhận hội nghị toàn thể năm 2021 là khoảng 21,7%, đây là một năm rất khó khăn và các bài báo được chấp nhận từ "bóng đá trực tuyến kèo nhà cái Lab" sẽ được trình bày tại "CIKM 2021", được tổ chức trực tuyến vào tháng 11 năm 2021

"Phòng thí nghiệm bóng đá trực tuyến kèo nhà cái" nghiên cứu và phát triển nhiều công nghệ bóng đá trực tuyến kèo nhà cái liên quan đến tiếp thị nói chung, đồng thời đang giải quyết nhiều vấn đề kỹ thuật khác nhau, đồng thời tăng cường hợp tác giữa ngành và học viện với các trường đại học và tổ chức học thuật Trong những năm gần đây, học máy đã được sử dụng trong nhiều dịch vụ web Ví dụ: trong quảng cáo trên Internet, các "mô hình học máy" được đào tạo hàng ngày để chọn và phân phối quảng cáo phù hợp với thuộc tính người dùng cho mỗi lần truy cập của người dùng Để cải thiện chất lượng dịch vụ, điều quan trọng là phải liên tục lặp lại việc học bằng cách sử dụng dữ liệu mới để duy trì hiệu suất dự đoán của các mô hình học máy


■Nền tảng nghiên cứu: Tối ưu hóa siêu tham số dẫn đến tối đa hóa hiệu suất dự đoán
Mô hình máy học có các tham số gọi là "siêu tham số" do các nhà phân tích thiết lập và điều chỉnh trước Vì siêu tham số có tác động đáng kể đến hiệu suất dự đoán của mô hình học tập, nên cần phải đặt siêu tham số phù hợp khi đưa mô hình học máy vào các dịch vụ thực
Tuy nhiên, việc đánh giá hiệu suất dự đoán của máy học khi thiết lập siêu tham số đòi hỏi chi phí tính toán lớn, do đó, việc đánh giá một số lượng lớn các tổ hợp siêu tham số và xác định các siêu tham số phù hợp trong số đó là không thực tế Do đó, việc “lựa chọn siêu tham số phù hợp một cách hiệu quả với chi phí tính toán thấp” là cực kỳ quan trọng trong thực hành học máy

Để đối phó với những thách thức này, công ty chúng tôi đang nỗ lực phát triển “'' đã được ra mắt và chuyên nghiên cứu trong lĩnh vực này, đồng thời là hội nghị hàng đầuThực hiện nghiệm thu và trình bày bài viết tại “AAAI2021” ※2và cùng nhóm với Mạng ưu tiên trong cuộc thi quốc tế “Thử thách tối ưu hóa hộp đen NeurIPS 2020”Đạt vị trí thứ 5 thế giới ※3 


■Cần có thông tin chính xác để tính toán hiệu suất dự đoán
Mục đích của việc tối ưu hóa siêu tham số là khám phá "siêu tham số giúp tối đa hóa hiệu suất dự đoán của mô hình học máy" Hiệu suất dự đoán được tính từ mức độ phù hợp giữa giá trị được dự đoán bởi mô hình học máy và thông tin cơ bản

Ví dụ: trong "dự báo nhu cầu sản phẩm" rất quan trọng trong ngành bán lẻ, hiệu suất dự đoán của công nghệ học máy được tính bằng cách sử dụng số tiền mua dự đoán cho một sản phẩm nhất định và số tiền mua thực tế cho sản phẩm đó
Tuy nhiên, trong ứng dụng thực tế, thông tin chính xác này (giá mua thực tế của sản phẩm) thường không có sẵn Ví dụ: khi dự báo nhu cầu về một sản phẩm mới chưa được giảm giá, không có dữ liệu về số lượng mua, đó là thông tin chính xác
Kết quả là, ngay cả khi mô hình học tập có sẵn dự đoán giá mua của một sản phẩm mới, thì cũng không thể tính toán mức độ đồng ý với thông tin chính xác và đánh giá hiệu suất dự đoán, dẫn đến vấn đề ``khó tìm được siêu tham số thích hợp''


■Tóm tắt nghiên cứu luận án
Dựa trên nền tảng này, bài báo đồng tác giả đã được chấp nhận lần này ``」※4đã đề xuất một phương pháp cho phép tối ưu hóa siêu tham số hiệu quả ngay cả khi không có sẵn thông tin thực tế cơ bản cho dữ liệu mục tiêu

Trong nghiên cứu này,Bằng cách tìm hiểu và đánh giá mối quan hệ giữa "dữ liệu có thông tin câu trả lời đúng" và "dữ liệu mới không có thông tin câu trả lời đúng" và áp dụng kết quả đánh giá, có thể đánh giá hiệu suất dự đoán của máy học ngay cả đối với "dữ liệu mới chưa thu được thông tin câu trả lời đúng"
Điều này giúp có thể xây dựng các mô hình máy học có độ chính xác cao ngay cả đối với dữ liệu không có thông tin câu trả lời chính xác
Nếu chúng ta lấy dự báo nhu cầu sản phẩm làm ví dụ, bằng cách tìm hiểu mối quan hệ giữa "sản phẩm đã bán" và "sản phẩm mới" rồi sử dụng kết quả đánh giáTrước khi bán một sản phẩm mới, bạn có thể đào tạo các mô hình máy học bằng cách cài đặt siêu tham số thích hợp, giúp dự đoán nhu cầu về sản phẩm mới với độ chính xác cao


■Tương lai
Phương pháp được đề xuất trong nghiên cứu này có thể được áp dụng cho nhiều vấn đề khác nhau, bao gồm ước tính tỷ lệ nhấp chuột trong quảng cáo trên Internet, bên cạnh việc dự báo nhu cầu sản phẩm Trong tương lai, chúng tôi dự định giới thiệu nó cho nhiều sản phẩm khác nhau sử dụng máy học, bao gồm các sản phẩm phân phối bán lẻ và quảng cáo mà chúng tôi cung cấp và chúng tôi hy vọng rằng nó sẽ đóng góp vào nhiều hoạt động khác nhau nhằm cải thiện hiệu suất của các dịch vụ máy học "bóng đá trực tuyến kèo nhà cái Lab" sẽ tiếp tục nỗ lực nghiên cứu và phát triển nhằm đưa công nghệ bóng đá trực tuyến kèo nhà cái vào các sản phẩm nhằm giải quyết các vấn đề kinh doanh



※1
※2bóng đá trực tuyến kèo nhà cái Lab, đồng tác giả bài báo được chấp nhận tại AAAI 2021, hội nghị hàng đầu trong lĩnh vực trí tuệ nhân tạo - Đề xuất phương pháp tối ưu hóa siêu tham số hiệu quả bằng cách sử dụng thông tin có trước -
※3[bóng đá trực tuyến kèo nhà cái Lab x PFN] Giành vị trí thứ 5 thế giới trong cuộc thi quốc tế về thuật toán tối ưu hóa siêu tham số, được công bố tại cuộc thi gắn liền với “NeurIPS 2020”
※4