Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
ウェブ最適化からはじめる機械学習 8章
Search
Masafumi Abeta
August 18, 2021
Programming
0
47
ウェブ最適化からはじめる機械学習 8章
「ウェブ最適化からはじめる機械学習」輪講会で発表した資料です。
Masafumi Abeta
August 18, 2021
Tweet
Share
More Decks by Masafumi Abeta
See All by Masafumi Abeta
Pythonのパッケージマネージャー「uv」
abeta
0
150
GPTモデルでキャラクター設定する際の課題
abeta
0
260
GPTをLINEで使えるようにして布教した
abeta
0
150
【Nishika】プリント基板の電子部品検出
abeta
0
270
初心者向けChatGPT入門
abeta
0
210
GPT Short Talk
abeta
0
110
拡散モデルについて少しだけ
abeta
0
46
動的計画モデル
abeta
0
140
物体追跡
abeta
0
270
Other Decks in Programming
See All in Programming
Thank you <💅>, What's the Next?
ahoxa
1
490
PHP で学ぶ OAuth 入門
azuki
1
200
リストビュー画面UX改善の振り返り
splcywolf
0
150
これだけは知っておきたいクラス設計の基礎知識 version 2
masuda220
PRO
24
6.5k
Enterprise Web App. Development (1): Build Tool Training Ver. 5
knakagawa
1
120
ミリしらMCP勉強会
watany
4
770
Agentic Applications with Symfony
el_stoffel
2
310
Contribute to Comunities | React Tokyo Meetup #4 LT
sasagar
0
490
State of Namespace
tagomoris
4
1.8k
Module Boundaries and Architecture with Forensic Analysis @NxSummit Amsterdam 2025
manfredsteyer
PRO
0
100
Compose Hot Reload is here, stop re-launching your apps! (Android Makers 2025)
zsmb
1
520
Rollupのビルド時間高速化によるプレビュー表示速度改善とバンドラとASTを駆使したプロダクト開発の難しさ
plaidtech
PRO
1
180
Featured
See All Featured
Visualizing Your Data: Incorporating Mongo into Loggly Infrastructure
mongodb
45
9.5k
I Don’t Have Time: Getting Over the Fear to Launch Your Podcast
jcasabona
32
2.2k
Adopting Sorbet at Scale
ufuk
76
9.3k
Building an army of robots
kneath
304
45k
KATA
mclloyd
29
14k
Optimizing for Happiness
mojombo
377
70k
ピンチをチャンスに:未来をつくるプロダクトロードマップ #pmconf2020
aki_iinuma
119
51k
Statistics for Hackers
jakevdp
798
220k
Optimising Largest Contentful Paint
csswizardry
36
3.2k
Bash Introduction
62gerente
611
210k
For a Future-Friendly Web
brad_frost
176
9.7k
The Web Performance Landscape in 2024 [PerfNow 2024]
tammyeverts
5
520
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。