🤖 AI

Three-in-One World Model: Energy-Based Consistency, Prediction, and Counterfactual Inference for Marketing Intervention

Dit artikel stelt een Three-in-One wereldmodelarchitectuur voor die een Deep Boltzmann Machine integreert voor het leren van bevroren geloofsrepresentaties met taakspecifieke adapters om gelijktijdelijk energie-gebaseerde consistentie-evaluatie, uitkomstvoorspelling en contrafactuele inferentie te bereiken, waarbij een superieure prestatie wordt aangetoond in het herstellen van heterogene behandelingseffecten en het straffen van onwaarschijnlijke contrafactuele trajecten in vergelijking met bestaande baselines.

Oorspronkelijke auteurs: Junichiro Niimi

Gepubliceerd 2026-05-11

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Junichiro Niimi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert te begrijpen waarom een specifieke klant een specifiek product koopt. Meestal fungeren marketingmodellen als een waarzegger: ze kijken naar het verleden en raden de toekomst. Maar ze missen vaak waarom de klant die keuze heeft gemaakt, of wat er zou zijn gebeurd als je een ander aanbod had gedaan.

Dit artikel stelt een nieuw soort "marketingbrein" voor, genaamd een Three-in-One World Model (Wereldmodel Drie-in-Een). Denk hierbij niet aan een waarzegger, maar aan een simulator die een diep, intern begrip bouwt van hoe het brein van een klant werkt, en dat begrip vervolgens gebruikt om drie dingen tegelijk te doen.

Hier is hoe het werkt, opgesplitst in eenvoudige onderdelen:

1. Het "Bevroren Brein" (De Deep Boltzmann Machine)

Stel je een zeer slim, zwaar brein voor (de DBM) dat de volledige geschiedenis van een klant bestudeert: hun leeftijd, inkomen, wat ze vorige week kochten en welke coupons ze zagen.

Wat het doet: Het verwerkt al deze informatie en vormt een "overtuiging" over wie die klant werkelijk is in de kern. Het leert hun verborgen eigenschappen, zoals hoe gevoelig ze zijn voor prijs of hoezeer ze van promoties houden.
Het "Invriezen": Zodra dit brein de persoonlijkheid van de klant heeft geleerd, vriest het in. Het verandert niet meer. Het wordt een stabiele, onveranderlijke kaart van wie die klant is.

2. De "Lichte Hulpmiddelen" (De Adapters)

Aan dit bevroren brein zijn kleine, lichte hulpmiddelen bevestigd (genaamd Adapters). Dit zijn als verschillende hoeden die het brein voor verschillende taken kan dragen. Omdat het brein bevroren is, kun je deze hoeden in- en uitschakelen zonder het geheugen van het brein te verstoren.

Hoed 1: De Voorspeller. Dit hulpmiddel kijkt naar de "overtuiging" van de klant en vraagt: "Als we ze vandaag een coupon tonen, zullen ze dan de winkel bezoeken?" Het voorspelt het resultaat.
Hoed 2: De Realiteitscheck. Dit hulpmiddel gebruikt de interne "energie"-score van het brein. Als een scenario vreemd of onmogelijk voelt (bijvoorbeeld een klant die 100 artikelen koopt maar nooit een promotie heeft gezien), zegt het brein: "Dat klopt niet," en geeft het een hoge "energie"-straf. Het is als een leugendetector voor marketingscenario's.

3. De "Wat-als"-Machine (Contrfactuele Inferentie)

Dit is de superkracht van dit artikel. Meestal kun je alleen zien wat er echt is gebeurd. Je kunt niet terug in de tijd om te zien wat er zou zijn gebeurd als je een andere prijs had aangeboden.

Hoe dit model het doet: Omdat de "overtuiging" (de persoonlijkheid van de klant) bevroren is, kun je de klant exact hetzelfde houden, maar de actie verwisselen.
De Analogie: Stel je een videospel voor. Je pauzeert het spel (vries de overtuiging in). Je vraagt het spel: "Wat gebeurt er als ik op de knop 'Kopen' druk?" Vervolgens vraag je, zonder de statistieken van het personage te veranderen: "Wat gebeurt er als ik op de knop 'Niet Kopen' druk?"
Het Resultaat: Het model kan het verschil tussen deze twee scenario's direct berekenen. Dit vertelt je de echte "lift" van een marketinginterventie (bijvoorbeeld: "Deze specifieke coupon heeft deze specifieke persoon ertoe aangezet te kopen, niet alleen omdat ze toch al van plan waren te kopen").

Waarom is dit beter dan de oude manier?

Het artikel testte dit tegen andere populaire methoden (zoals "S-learners" of "Causal Forests") in een gesimuleerde wereld waar de onderzoekers de "ware" antwoorden kenden.

Het probleem met anderen: Als klanten lastig zijn (bijvoorbeeld rijke mensen die van uitverkoop houden), raken andere modellen in de war. Ze verwarren de natuurlijke liefde van de klant voor winkelen met het effect van de coupon.
De winnaar: Het "Three-in-One"-model was veel beter in het ontwarren van deze knopen. Het identificeerde correct dat een coupon voor de ene persoon werkte en voor de andere niet, zelfs als de data rommelig was.

De "Energie"-test

Het artikel toonde ook aan dat de "energie"-score van het model fungeert als een plausibiliteitsmeter.

Als je het model probeert te bedriegen door te zeggen: "Deze klant kocht veel dure artikelen maar zag nooit een enkele advertentie," dan schiet de "energie" van het model omhoog. Het zegt: "Dat is onmogelijk!"
Cruciaal is dat het model weet waarom het onmogelijk is, gebaseerd op de verborgen eigenschappen van de klant. Als een klant een hoge "basisvoorkeur" heeft (ze houden gewoon van het merk), is het model minder verrast door een aankoop zonder promotie. Als ze niet van het merk houden, is het model zeer argwanend.

Samenvatting

Kortom, dit artikel bouwt een marketingmodel dat:

De verborgen persoonlijkheid van een klant leert en deze invriest.
Voorspelt wat ze als volgende zullen doen.
Controleert of een verhaal over een klant logisch is.
"Wat-als"-scenario's simuleert om de echte kracht van een marketingcampagne te zien, waarbij de natuurlijke gewoonten van de klant worden gescheiden van het daadwerkelijke effect van de advertentie.

Het is alsof je een simulator hebt waarmee je een miljoen "Wat-als"-experimenten in je hoofd kunt uitvoeren voordat je ook maar één dollar uitgeeft aan reclame.

Technische Samenvatting: Drie-in-Een Wereldmodel voor Marketinginterventie

1. Probleemstelling

Marketingbeslissingen omvatten complexe interacties tussen latente consumentenheterogeniteit, intern veranderende toestanden en expliciete interventies. Huidige voorspellingsgerichte modellen (bijv. standaard MLP's) en taalgerichte modellen (bijv. LLM's) falen in het op een verenigde manier vastleggen van deze structuur. Specifiek:

LLM's vertrouwen op voorspelling van het volgende token en missen expliciete mechanismen voor causaal redeneren of interne wereldrepresentatie.
Bestaande Wereldmodellen in marketing (bijv. DBM-gebaseerde benaderingen) zijn beperkt tot statische co-occurrentie, waardoor ze geen dynamiek die in de tijd varieert kunnen modelleren of de consistentie van temporele trajecten kunnen evalueren.
Causale Inferentiemethoden (bijv. S-, T-, X-, DR-learners, Causale Bossen) hebben vaak moeite om heterogene behandelingseffecten (CATE) te herstellen wanneer toewijzing van de behandeling verward is met latente consumenteneigenschappen, aangezien ze doorgaans uitkomsten schatten in plaats van behandelingseffecten te isoleren via contrafactuele contrasten.

Het artikel adresseert de behoefte aan een verenigd raamwerk dat consistentie-evaluatie, uitkomstvoorspelling en contrafactuele inferentie ondersteunt binnen één architectuur die in staat is latente eigenschappen te ontkoppelen.

2. Methodologie

De auteurs stellen een Drie-in-Een Wereldmodel-architectuur voor gebaseerd op een Deep Boltzmann Machine (DBM) gecombineerd met lichtgewicht, taakspecifieke adapters.

Architectuurcomponenten:

Wereldmodel (Bevroren DBM): Een Bernoulli-Bernoulli DBM met gestapelde verborgen lagen (64-32-16) dient als kern.
- Zichtbare Laag: Bevat statische demografische gegevens, kalenderkenmerken en vertraagde (lagged) intern veranderende toestanden (recente bezoek/aankooprecency, cumulatieve tellingen) en vertraagde acties/uitkomsten (laatste 4 periodes). Cruciaal: het huidige-periode actievector is uitgesloten van de zichtbare laag.
- Training: De DBM wordt in twee fasen getraind: greedy layer-wise pretraining van RBM's gevolgd door gezamenlijke fine-tuning met behulp van persistent contrastive divergence.
- Geloofsrepresentatie: Na training wordt de DBM bevroren. Het "geloofs"-vector wordt gevormd door het samenvoegen van de mean-field-activaties van alle verborgen lagen. Deze representatie vangt de toestand van de consument onafhankelijk van de huidige interventie.
Taakspecifieke Adapters: Lichtgewicht MLP's worden getraind bovenop het bevroren geloof.
- Invoer: De concatenatie van het bevroren geloofsvector en het huidige-periode actievector.
- Functie: Deze adapters koppelen het toestand-actiepaar aan downstream-uitkomsten (bijv. bezoek- of aankoopkans).

Drie Geïntegreerde Taken:

Energie-gebaseerde Consistentie-evaluatie: De vrije energie ( $F(v)$ ) van de DBM scoort de plausibiliteit van een invoertraject. Lage energie duidt op een plausibele configuratie van demografie, geschiedenis en gedrag; hoge energie markeert onwaarschijnlijke scenario's.
Uitkomstvoorspelling: Adapters voorspellen uitkomsten (bezoek/aankoop) op basis van de geloofstoestand en huidige actie.
Contrafactuele Inferentie: Om het Conditioneel Gemiddeld Behandelingseffect (CATE) te schatten, wordt het geloofsvector vastgehouden (wat de toestand van de consument vertegenwoordigt), en wordt de huidige actievoer aan de adapter omgeschakeld (bijv. van 0 naar 1). Het verschil in voorspelde uitkomsten levert een schatting van het behandelingseffect op individueel niveau op.

3. Experimentele Opzet

Het model werd geëvalueerd met behulp van een gecontroleerde simulatie waarbij grond-waarheid latente eigenschappen bekend waren:

Data: 1.024 synthetische consumenten over 365 dagen.
Latente Parameters: Elke consument had bekende prijssensitiviteit ( $\alpha$ ), promotiereactiviteit ( $\gamma$ ) en basisvoorkeur ( $\beta$ ).
Verwarring: $\alpha$ en $\beta$ waren negatief verward via inkomen/leeftijd; $\gamma$ en $\beta$ waren positief verward via loyaliteit.
Basislijnen: De voorgestelde "Belief Adapter" werd vergeleken met:
- Een sterke MLP-basislijn (end-to-end getraind op ruwe kenmerken).
- Meta-learners: S-, T-, X- en DR-learners.
- Causale Bos.

4. Belangrijkste Resultaten

A. Energie-gebaseerde Consistentie

De DBM straalde succesvol contrafactuele trajecten af die onwaarschijnlijk waren gezien de geschiedenis van de consument. Specifiek resulteerde het vastklemmen van een traject om "aankopen zonder recente promotionele blootstelling" te tonen in een significant hogere vrije energie (lagere plausibiliteit) in vergelijking met waargenomen trajecten.
De straf ( $\Delta F$ ) was heterogeen: consumenten met een hoge latente basisvoorkeur ( $\beta$ ) kregen een kleinere straf dan die met een lage $\beta$ , wat aantoont dat het energielandschap latente eigenschappen weerspiegelt die zijn geleerd uit demografie.

B. Prestaties in Voorspelling

De "Belief Adapter" kwam overeen met de prestaties van de end-to-end MLP-basislijn bij het voorspellen van bezoek en aankoop (AUC-verschillen lagen binnen $\pm 0.001$ ). Dit bevestigt dat de dimensiereductie van de DBM geen voorspellingskracht heeft opgeofferd.

C. CATE Herstel (Contrafactuele Inferentie)

Onverwarde Interventie (Push $\to$ Bezoek): De Belief Adapter behaalde de hoogste Spearman-rangcorrelatie ( $\rho = 0.625$ ) tussen de geschatte CATE en de ware promotiereactiviteit ( $\gamma$ ), en presteerde beter dan de beste meta-learner-basislijn ( $\rho = 0.579$ ).
Verwarde Interventie (Verkoop $\to$ Aankoop): Het voordeel was hier het meest uitgesproken. De Belief Adapter herstelde de ware prijssensitiviteit ( $\alpha$ $α$ ) met $\rho = 0.548$ $ρ = 0.548$ . In tegenstelling hiermee hadden standaard basislijnen aanzienlijke moeite:
- T-learner: $\rho = 0.161$
- Causale Bos: $\rho = 0.040$
- X-learner: $\rho = 0.123$
- DR-learner: $\rho = -0.016$
De adapter vertoonde ook de verwachte negatieve correlatie met de verwarrende parameter ( $\beta$ ), wat suggereert dat het vertrouwde op het juiste latente signaal in plaats van op shortcuts.

5. Betekenis en Claims

Het artikel claimt dat de voorgestelde architectuur een verenigd substraat biedt voor marketinginterventie dat specifieke beperkingen van huidige benaderingen overwint:

Ontkoppeling: De DBM-geloofsrepresentatie ontkoppelt succesvol latente eigenschappen (prijssensitiviteit, promotiereactiviteit, basisvoorkeur) in een vorm die contrafactuele queries doorstaat.
Modulariteit: Door het wereldmodel te bevriezen en alleen lichtgewicht adapters te trainen, vermijdt het raamwerk catastrofaal vergeten bij het toevoegen van nieuwe taken.
Causale Robuustheid: In tegenstelling tot standaard meta-learners die op ruwe kenmerken opereren, maakt het mechanisme "bevroren geloof + variërende actie" een betrouwbaarder herstel van heterogene causale effecten mogelijk, met name in scenario's met verwarde toewijzing van behandeling.
Temporele Consistentie: In tegenstelling tot eerdere statische DBM-toepassingen, evalueert dit model de consistentie van in de tijd uitgestrekte trajecten, niet alleen statische co-occurrenties.

Beperkingen Erkend door de Auteurs:

Resultaten zijn gebaseerd op één simulatie-seed en data-generatieproces; replicatie is nodig om variantie te karakteriseren.
De energie-gebaseerde analyse onderzocht één contrafactuele klem-configuratie.
Het onderzoek is beperkt tot één productcategorie en binaire uitkomsten; uitbreiding naar continue uitkomsten en echte A/B-testdata is toekomstig werk.
Het artikel claimt niet om optimale beleidsleer op te lossen (de lus sluiten met een controller), maar identificeert dit als een noodzakelijke volgende stap.