- Улучшенный причинно-следственный анализ оттока за счет ограниченных многомерных пространственных эффектов в финансовых учреждениях (arXiv)
Автор: Дэвид Хейсон Радд, Хуан Хуо, Гуандун Сюй.
Аннотация: Отток клиентов описывает прекращение отношений с бизнесом или снижение вовлеченности клиентов в течение определенного периода. Стоимость привлечения клиентов может быть в пять-шесть раз выше, чем удержание клиентов, поэтому разумно инвестировать в клиентов с риском оттока. Причинный анализ модели оттока может предсказать, будет ли отток клиентов в обозримом будущем, а также определить последствия и возможные причины оттока. В целом, это исследование представляет собой концептуальную основу для выявления искажающих факторов, которые коррелируют с независимыми переменными и причинно связаны с теми зависимыми переменными, которые влияют на отток. Мы объединяем различные алгоритмы, включая SMOTE, ансамблевую ИНС и байесовские сети, для решения проблем прогнозирования оттока на массивных и многомерных финансовых данных, которые обычно генерируются в финансовых учреждениях из-за использования функций на основе интервалов, используемых в системах управления взаимоотношениями с клиентами. Эффекты проклятия и благословения размерности оцениваются с помощью метода рекурсивного исключения признаков для преодоления проблемы пространства признаков высокой размерности. Кроме того, причинно-следственное исследование было выполнено для поиска возможных методов интерпретации для описания вероятностей причин, которые приводят к оттоку клиентов. Показатели оценки данных проверки подтверждают, что случайный лес и наша ансамблевая модель ИНС с точностью 86% превзошли другие подходы. Результаты причинно-следственного анализа подтверждают, что некоторые независимые причинно-следственные переменные, представляющие уровень вклада супергарантии, рост счета и сумма остатка на счете, были идентифицированы как смешанные переменные, вызывающие отток клиентов с высокой степенью достоверности. В этой статье представлен реальный анализ оттока клиентов, начиная с определения текущего статуса и заканчивая будущими направлениями в местных пенсионных фондах.
2. Упрощенное непрерывное многомерное планирование пространства убеждений с адаптивными вероятностными ограничениями, зависящими от убеждений (arXiv)
Автор : Андрей Житников, Вадим Индельман
Аннотация: Принятие онлайн-решений в условиях неопределенности в частично наблюдаемых областях, также известное как планирование пространства убеждений, является фундаментальной проблемой в робототехнике и искусственном интеллекте. Из-за обилия правдоподобных будущих распутываний расчет оптимального курса действий возлагает на агента огромную вычислительную нагрузку. Более того, во многих сценариях, например, при сборе информации, требуется ввести ограничение, зависящее от убеждений. Руководствуясь этим требованием, в этой статье мы рассматриваем недавно введенный вероятностный POMDP с ограничениями, зависящий от убеждений. Мы представляем метод адаптивного принятия или отклонения последовательности действий-кандидатов в отношении вероятностного ограничения, зависящего от убеждений, перед расширением полного набора будущих выборок наблюдений и без потери точности. Более того, используя предложенную нами структуру, мы вносим адаптивный метод для нахождения максимально возможной отдачи (например, получения информации) с точки зрения ценности под риском для последовательности действий-кандидатов со значительным ускорением. Кроме того, мы вводим метод адаптивного упрощения для вероятностно ограниченной ситуации. Такой подход доказуемо возвращает решение идентичного качества, в то же время значительно ускоряя онлайн-принятие решений. Наша универсальная структура применима к любому зависимому от убеждений ограниченному непрерывному POMDP с параметрическими убеждениями, а также к непараметрическим убеждениям, представленным частицами. В контексте теоретико-информационного ограничения наша представленная структура стохастически определяет, является ли кумулятивный прирост информации на горизонте планирования достаточно значительным (например, для сбора информации, активного SLAM). Мы применяем наш метод к активному SLAM, очень сложной проблеме многомерного планирования пространства убеждений. Обширные реалистичные симуляции подтверждают превосходство предложенных нами идей.
