11:02arXiv cs.LG@Meghana R. Bhat, Ankit Umare, Utsav Aggarwal, Richard Vecsler, Arunkumar Mani, Karthik Nair, Chandhu Nair该论文提出集成营销归因(IMA)框架,将营销组合模型(MMM)与渠道特定贝叶斯归因模型结合。IMA利用MMM先验信息,从聚合数据中推导出战役级效果,实现了隐私安全且细粒度的归因。与传统MMM的粗粒度优化和MTA在隐私限制下不可靠的问题相比,IMA在保持与MMM一致性的同时提供更精细的洞察。该方法在零售营销场景中可有效替代依赖用户级追踪的方案。论文营销归因MMMMTA贝叶斯方法隐私安全推荐理由:想在不碰用户隐私的前提下搞清楚每个广告战役的效果?这篇论文的IMA框架把MMM和贝叶斯归因揉在一起,给出细粒度结果还不出格,做营销分析的可以看看。原文
11:45arXiv cs.LG(学术论文)因果推断依赖不可验证的假设,现有敏感性分析框架多关注最坏情况下的结论变化,但往往不切实际。本研究将s-value框架泛化至三种常见因果假设,并提出贝叶斯敏感性价值(BSV)指标。BSV通过蒙特卡洛近似,基于真实世界证据构建先验分布,计算假设违背的期望敏感性。实证表明,最坏情况分析可能依赖违背先验知识的极端假设,而BSV能提供更可信的结论。该框架在糖尿病治疗对体重影响的观察性研究中得到验证,为研究者提供了更稳健的因果推断工具。论文因果推断贝叶斯方法敏感性分析观测研究机器学习推荐理由:提出贝叶斯敏感性价值(BSV)方法,解决了传统最坏情况敏感性分析不切实际的问题,为因果推断实践者提供了更符合先验知识的稳健性评估标准。原文