Masakazu Sano Tokyowebmining 37 20140621
•Descargar como PPTX, PDF•
13 recomendaciones•6,834 vistas
Recomendados
Más contenido relacionado
La actualidad más candente
La actualidad más candente (20)
Destacado
Similar a Masakazu Sano Tokyowebmining 37 20140621
Similar a Masakazu Sano Tokyowebmining 37 20140621 (20)
Masakazu Sano Tokyowebmining 37 20140621
- 1. 経路積分から眺める確率過程 Tokyo webmining #37, June 21 2014 Masakazu Sano / 佐野正和 / @Masa_S3 Fringe81 inc. 1
- 4. 4 •ネット広告運用のためのより良いシステム・手法・モデ ルを探し、自社のサービスレベルをさらに上げたい。 具体的には •ネット広告で予算やCPC(cost per click)を最適化してCV(conversion)を増やした い。 •Imp(impression), click, cv, cost, UU(unique user), search, creative size, media, imp share, cpc, ctr(click through rate), cvr(conversion rate), cpa(cost per acquisition), 配信面など、各種変数の時間的変化や関連性(寄与度)を知りたい(予測 したい)。 •パフォーマンス向上に加え、配信状況を可視化したい。 •これらを取り入れた運用自動化・管理システムを作りたい(改善したい)。 動機
- 5. 5 •ネット広告運用のためのより良いシステム・手法・モ デルを探し、サービスレベルを上げたい。 具体的には •ネット広告で予算やCPCを最適化してCVを増やしたい。 •Imp, click, cv, cost, UU, search, creative size, media, imp share, cpc, ctr, cvr, cpa, 配信面など、各種変数の時間的変化や関連性(寄与度)を知り たい(予測したい)。 •パフォーマンス向上に加え、配信状況を可視化したい。 •これらを取り入れた運用自動化・管理システムを作りたい(改善したい)。 動機 本日のトークトピック
- 7. 動機 7 •ネット広告でたとえるなら。 •例えばcpc(or cost, cv…)の変化を媒体別(メニュー別)・時間毎に予測したい。 Media A Media B Media A Media B Media A Media B cpc cpc cpc cpc cpc cpc 時間 ユーザの遷移or メディアの関係性の強さ ラベル
- 8. 動機 8 •さらに”かも知れない”可能性(迷い、ゆらぎ)も予測に取り入れたい。 Media A Media B Media A Media B Media A Media B cpc cpc cpc cpc cpc cpc 時間 発生したかもしれない可能性
- 10. 経路積分の応用例 • 金融工学[J. Dash 1988] • ニューラルネットワーク[J.Balakrishnan, 2003] • カルマン/非線形フィルタ[Bhashyam Balaji, 2007] • 最適制御(optimal control)[H.J. Kappen, 2004] • 進化ゲーム[曽弘博, 2014] 10 経路積分： 確率過程を仮定し、それが満たす確率分布を定める。 波動方程式： 確率分布が満たす偏微分方程式を仮定して解き、確率過程を定める。 等価 偏微分方程式を解く のは難しい
- 11. どういう使い方があるのか 確率分布が定まれば。。。 • パラメータ推定によって変数間の結びつきの強さを見積もれる。 • 相互作用の様子をある程度可視化できる。 • 確率分布がわかっているので変数の期待値が計算できる(期待値をより正確に評価 できる)。 • 例えばポートフォリオ最適化に応用できる。 11 ２変数間の結びつきの強さ
- 16. ダイナミクスをどう決めるのか？ • 複雑な確率過程の確率分布をどうやって定めればいいか。 16 離散化 ？ • 一般にF(X)の関数形は複雑かつ様々なパラメータが含まれている。 • F(X)のX依存性が非線形や多項式の場合、Nを求めるのは容易ではない。 • 規格化因子Nに正しくパラメータが含まれていないと全確率を1に規格化できない。 • どうやって規格化因子Nを定めるのか。 出発点：モデルの仮定
- 17. ダイナミクスをどう決めるのか？ • 確率過程量子化を応用すると、全確率１の確率分布を持つ 確率過程を経路積分で定式化できる[G. Parisi and N. Sourlas(1982), J.Balakrishnan(2003), Bhashyam Balaji(2007)]。 17 十分小さい
- 19. パラメータをどう決めるのか？ • 例えば最尤法を使う。 • 一般にはW(X)にモデルのパラメータが含まれる。 • からもパラメータ依存項が出てくる可能性があり、 無視できない。 19
- 20. 個人的な気付き(物理を知っている人向け) • 極限の取り方で違う記述方法もある[F. Cooper, A. Khare, U. Sukhatme(1994)]。 20 Grassmann 変数 Superpotential N=2 Supersymmetric sigma model(Euclidean)
- 21. 個人的な予想(物理を知っている人向け) 21 N=2 Supersymmetric sigma model(Euclidean) ？ • もしこの形式が成立していれば、ボラティリティが時間やラベルに対し て変化するモデル(確率分布)を作ることが可能になる。 • Grassmann変数を消去した形に書き換えることができれば、原理的に はパラメータ推定できる。 N=2 Supersymmetric sigma model(on curved Euclid space)
- 22. まとめ • 経路積分を使うと、簡単に全確率が1になる確率分布とそれに付随する モデルを構成できる。 • 確率分布が定まればパラメータ推定を実行できる。 • 経路積分を通じて物理学、確率過程(数学)の知見を統計的データ分析 の理解・実際に活用できると期待したい。 22 経路積分 物理学 統計的データ分析 確率過程(数学)
- 23. 参考文献 • G. Parisi and N. Sourlas, Supersymmetric Field Theories and Stochastic Differential Equations, Nucl.Phys. B206 (1982) 321 • J. Dash, Quantitative finance and risk management : a physicist’s approach, World Scientific Pub., 2004. • J. Dash, Path Integrals and Options, Part I, CNRS Preprint CPT88/PE.2206. , 1988 • J. Dash, Path Integrals and Options, Part II, CNRS Preprint CPT89/PE.2333., 1989 • H.J. Kappen, A linear theory for control of non-linear stochastic systems, Phys. Rev. Lett. 95, 200201 • J.Balakrishnan, Neural network learning dynamics in a path integral framework, Eur.Phys.J.B15, 679 (2000) • Bhashyam Balaji, Universal Nonlinear Filtering Using Feynman Path Integrals I: The Continuous-Discrete Model with Additive Noise, Aerospace and Electronic Systems, IEEE Transactions on (Volume:48 , Issue: 3 ) • 曽 弘博, 双安定進化ゲームの確率的ダイナミクスに対する空間自由度の影響,物 性研究・電子版 Vol. 3, No. 2 032601 （2014年5月号） • F. Cooper, A. Khare, U. Sukhatme, Supersymmetry and Quantum Mechanics, Phys.Rept.251:267-385,1995 23
- 24. 補足 24