Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Speaker Deck
PRO
Sign in
Sign up for free
ウェブ最適化からはじめる機械学習 8章
Masafumi Abeta
August 18, 2021
Programming
0
20
ウェブ最適化からはじめる機械学習 8章
Masafumi Abeta
August 18, 2021
Tweet
Share
More Decks by Masafumi Abeta
See All by Masafumi Abeta
物体追跡
abeta
0
22
特徴量記述
abeta
0
27
適応共鳴理論 / Adaptive resonance theory
abeta
0
210
4ページで理解するディリクレ過程混合モデル
abeta
0
37
入門統計的因果推論4.4節
abeta
0
71
Lordのパラドックス
abeta
0
150
ウェブ最適化からはじめる機械学習 7章
abeta
1
25
Incorporating Convolution Designs into Visual Transformers
abeta
2
410
ウェブ最適化からはじめる機械学習 3章
abeta
1
35
Other Decks in Programming
See All in Programming
Is Rust a great language for building Kubernetes ecosystem
deepu105
0
140
mrubyを1300円のボードで動かそう
yuuu
0
180
Oculus Interaction SDK 概説 / xrdnk-caunity-LT4
xrdnk
0
170
よりUXに近いSLI・SLOの運用による可用性の再設計
kazumanagano
3
540
CIでAndroidUIテストの様子を録画してみた
mkeeda
0
180
Android Architecture Design With Koin
agiuliani
0
230
heyにおけるSREの大切さ~マルチプロダクト運用の「楽しさ」と「難しさ」および今後の展望~
fufuhu
3
1.6k
tfcon2022_Web3Dひとめぐり.pdf
emadurandal
0
940
The future of trust stores in Python
sethmlarson
0
180
Loom is Blooming
josepaumard
3
540
アプリのログをチーム外で活用してもらうためにやったこと
shotakashihara
0
190
実録mruby組み込み体験
coe401_
0
100
Featured
See All Featured
Creating an realtime collaboration tool: Agile Flush - .NET Oxford
marcduiker
3
440
Creatively Recalculating Your Daily Design Routine
revolveconf
205
10k
Navigating Team Friction
lara
175
11k
CSS Pre-Processors: Stylus, Less & Sass
bermonpainter
349
27k
Designing for Performance
lara
596
63k
Designing the Hi-DPI Web
ddemaree
272
32k
Fontdeck: Realign not Redesign
paulrobertlloyd
73
4.1k
Docker and Python
trallard
27
1.5k
Bash Introduction
62gerente
596
210k
Art, The Web, and Tiny UX
lynnandtonic
280
17k
The MySQL Ecosystem @ GitHub 2015
samlambert
238
11k
Building Flexible Design Systems
yeseniaperezcruz
310
33k
Transcript
XX University ウェブ最適化ではじめる機械学習 8章 2021.08 Abeta
2 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
3 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
4 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
5 ユーザが⽇常的に使うツールで、ユーザの即時的な反応のみに着⽬すると、⻑期的な収益が下がる場合がある。 例)googleで広告表⽰を多くした→ユーザの使い勝⼿が悪くなり⻑期的には減収。 ⻑期的スパンで計測される指標も考慮する必要あり。 ⻑期的指標の評価には時間がかる。 ⼀つのアプローチとして、短期的な指標・特徴量から⻑期的指標を予測する機械学習モデルを作成することが ある。 𝜃 = 𝛼
+ 𝛽! 𝑥"#$%&%'()*% + 𝛽+ 𝑥,()#-)./(.%01()2-23
6 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
7 バンディット問題ではユーザの状態は1つ、すなわち考慮されていなかった。ユーザの⾏動は新規やリピータ といった「状態」によって異なると考えられる。 ユーザの状態を扱う⼀つのアプローチとして強化学習がある。強化学習では最初から状態の遷移確率 𝒫(𝑠4 |𝑠45! )が含まれている。
8 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
9 今回は解空間の検討を⼈間で⾏った(HLS空間、彩度100%)。これは⾊に対する知識を⽤いて暗黙にいくつ かの仮定を置いている。⼈間が思いつかないような選択肢を排除してしまっている。 ⼀⽅で、解空間の制約を無くすと解空間が膨⼤となって問題を解けない。 ⼀つのアプローチとして、解空間を⼩さい空間に圧縮してしまう⽅法がある。具体的には変分オートエンコー ダが使⽤できる。
10 8.1 短期的な評価と⻑期的な評価 8.1.1 リピートユーザを考慮した最適化 8.2 解空間のデザイン 8.3 ウェブサイト以外への応⽤
11 今回の⼿法の特徴 • ⼈間との相互作⽤をもとにソフトウェアの最適な状態を探す • ブラックボックス関数の最適化 適⽤のための条件 • 提供するサービスを即座に変更できること •
サービスに対するユーザの反応が常に計測できること IoTによってユーザの反応が即座に得られるようになると期待できる。反応に応じて提供するものを変更する ことで、提供物がサービス化していると考えられる。