soi kèo bóng đá tối nay Lab, đồng tác giả bài báo được chấp nhận tại "NeurIPS 2021", hội nghị hàng đầu trong lĩnh vực học máy - Đề xuất phương pháp đánh giá ra quyết định từ dữ liệu được thu thập tuần tự -

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 xuất bản một bài báo có đồng tác giả là Masahiro Kato và Shota Yasui, các nhà nghiên cứu thuộc Phòng thí nghiệm soi kèo bóng đá tối nay, một tổ chức nghiên cứu và phát triển công nghệ trí tuệ nhân tạo và Kenichiro Maclin của Đại học Temple, “The Adaptive Công cụ ước tính mạnh mẽ gấp đôi và "Chính sách" nghịch lý liên quan đến việc ghi nhật ký sẽ được tổ chức tại "NeurIPS2021" (Hệ thống xử lý thông tin thần kinh), một hội nghị quốc tế trong lĩnh vực học máy※1)

``NeurIPS'' là hội nghị quốc tế được tổ chức hàng năm bởi các nhà nghiên cứu trên khắp thế giới và ``ICML※2” “ICLR※3", đây là một trong những hội nghị có uy tín hàng đầu trong lĩnh vực học máy Các bài báo được soi kèo bóng đá tối nay Lab chấp nhận sẽ được trình bày tại NeurIPS 2021, được tổ chức trực tuyến vào tháng 12 năm 2021 Ngoài ra, hai bài báo đồng tác giả dự kiến ​​​​sẽ được trình bày tại một hội thảo gắn liền với hội nghị

■Nền tảng nghiên cứu
Trong những năm gần đây, việc ra quyết định bằng công nghệ máy học đã đóng vai trò quan trọng trong việc xác định chất lượng dịch vụ trong nhiều dịch vụ web khác nhau Đặc biệt, việc đánh giá và học tập mô hình bằng cách sử dụng "dữ liệu nhật ký ra quyết định" vẫn còn khi sử dụng học máy được coi là quan trọng trong các ứng dụng kinh doanh của học máy

Nói chung, khi đưa ra quyết định bằng công nghệ máy học, chúng tôi biết rằng các mô hình sử dụng "dữ liệu mới hơn" sẽ có hiệu suất cao hơn Do đó, trong một số ứng dụng, các mô hình được cập nhật bằng cách sử dụng dữ liệu nhật ký mới được tạo mỗi khi đưa ra quyết định để sử dụng dữ liệu mới một cách tích cực hơn

Tuy nhiên, nếu mô hình được cập nhật tùy thuộc vào dữ liệu trong quá khứ theo cách này và dữ liệu mới thu được bằng cách đưa ra "quyết định tại một điểm nhất định" dựa trên mô hình đó, thì mối quan hệ phụ thuộc sẽ được tạo giữa dữ liệu trong quá khứ và dữ liệu mới thu được
Do đó, ``giả định phân phối độc lập và bình đẳng'', vốn là tiền đề của nhiều phương pháp thống kê và học máy, không được thỏa mãn và không thể sử dụng các phương pháp được đề xuất để đánh giá và học tập ra quyết định

Vì những vấn đề này,Phương pháp học tập và đánh giá quyết định có thể được sử dụng ngay cả trong những tình huống đưa ra quyết định tùy thuộc vào dữ liệu trong quá khứđược yêu cầu


■Tổng quan nghiên cứu
Dựa trên nền tảng này, bài báo đồng tác giả đã được chấp nhận lần này “」※4, chúng tôi đã đề xuất một phương pháp đánh giá quyết định có thể được sử dụng ngay cả khi dữ liệu có phần phụ thuộc

Trong bài viết này, chúng tôi đề xuất một phương pháp gọi là "khớp thích ứng", giải quyết vấn đề này bằng cách chia tập dữ liệu theo cách cho phép kiểm soát tốt hơn sự phụ thuộc giữa dữ liệu, nhằm đánh giá các quyết định mới từ dữ liệu khi dữ liệu tại một thời điểm nhất định phụ thuộc vào dữ liệu trong quá khứ

Cụ thể, trong "sự phù hợp thích ứng", khi đánh giá một quyết định tại một thời điểm nhất định, chỉ dữ liệu thu được trước thời điểm đó mới được sử dụng có chủ đích để đánh giá, thay vì tất cả dữ liệu có sẵn ban đầu

Bằng cách thực hiện các thao tác như thế này, có thể đánh giá và tìm hiểu các mô hình máy học với độ chính xác cao hơn bằng cách chia dữ liệu ban đầu có phần phụ thuộc theo cách cho phép kiểm soát các phần phụ thuộc tốt hơn Cuối cùng, bằng cách đánh giá các quyết định tại từng thời điểm và tính giá trị trung bình, các quyết định mới có thể được đánh giá từ dữ liệu trong quá khứ

▼Hình ảnh phân chia sử dụng “khớp thích ứng”

Trong nghiên cứu này, chúng tôi đã xác minh bằng thực nghiệm phương pháp đề xuất cùng với các phương pháp hiện có đã được đề xuất trước đây và so sánh phương pháp đề xuất với các phương pháp hiện cóMang lại hiệu suất ổn định hơn


■Giới thiệu về các thông báo khác
※5” và “Hội thảo về học tập tăng cường sâu※6''

<Các bài dự kiến trình bày tại workshop>
Tìm hiểu mối quan hệ nhân quả từ việc hạn chế thời điểm có điều kiện theo trọng số quan trọng※7
Masahiro Kato, Maaki Imaizumi, Shota Yasui, Kenichiro McAlinn, Haruo Kakehi
Hội thảo về Học máy kết hợp Kinh tế lượng (MLECON 2021)

Học tăng cường hiệu quả phương sai trung bình※8
Masahiro Kato, Kei Nakagawa, Kenshi Abe, Tetsuro Morimura
Hội thảo về học tập tăng cường sâu

■Tương lai
Phương pháp đề xuất trong nghiên cứu này dự kiến sẽ được áp dụng vào nhiều sản phẩm khác nhau sử dụng công nghệ máy học, bao gồm cả phân phối quảng cáo và dự kiến sẽ góp phần vào nhiều hoạt động khác nhau nhằm cải thiện hiệu suất của các dịch vụ máy học "soi kèo bóng đá tối nay Lab" sẽ tiếp tục nỗ lực nghiên cứu và phát triển nhằm đưa công nghệ soi kèo bóng đá tối nay vào các sản phẩm nhằm giải quyết các vấn đề kinh doanh


※1
※2
※3
※4
※5
※6
※7
※8