論文の概要: A network-based transfer learning approach to improve sales forecasting
of new products
- arxiv url: http://arxiv.org/abs/2005.06978v1
- Date: Wed, 13 May 2020 15:08:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 12:42:33.825644
- Title: A network-based transfer learning approach to improve sales forecasting
of new products
- Title（参考訳）: 新製品の販売予測を改善するためのネットワークベース転送学習手法
- Authors: Tristan Karb, Niklas K\"uhl, Robin Hirt, Varvara Glivici-Cotruta
- Abstract要約: 上場商品と新商品間の知識伝達に関する分析的アプローチを提案する。
ディープニューラルネットワークのためのネットワークベースのTransfer Learningアプローチは、Transfer Learningの効率性を調べるために設計されている。
実験の結果,食品販売予測のためのディープニューラルネットワークの予測精度を効果的に向上できることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Data-driven methods -- such as machine learning and time series forecasting
-- are widely used for sales forecasting in the food retail domain. However,
for newly introduced products insufficient training data is available to train
accurate models. In this case, human expert systems are implemented to improve
prediction performance. Human experts rely on their implicit and explicit
domain knowledge and transfer knowledge about historical sales of similar
products to forecast new product sales. By applying the concept of Transfer
Learning, we propose an analytical approach to transfer knowledge between
listed stock products and new products. A network-based Transfer Learning
approach for deep neural networks is designed to investigate the efficiency of
Transfer Learning in the domain of food sales forecasting. Furthermore, we
examine how knowledge can be shared across different products and how to
identify the products most suitable for transfer. To test the proposed
approach, we conduct a comprehensive case study for a newly introduced product,
based on data of an Austrian food retailing company. The experimental results
show, that the prediction accuracy of deep neural networks for food sales
forecasting can be effectively increased using the proposed approach.
- Abstract（参考訳）: 機械学習や時系列予測などのデータ駆動手法は、食品小売分野での販売予測に広く利用されている。
しかし、新たに導入された製品では、正確なモデルのトレーニングに不十分なトレーニングデータを利用できる。
この場合、予測性能を向上させるために人間エキスパートシステムが実装される。
人間の専門家は、暗黙的かつ明示的なドメイン知識と、類似商品の歴史的販売に関する知識を、新製品の販売予測に頼っている。
転校学習という概念を応用し,上場商品と新製品の知識を伝達する分析手法を提案する。
ディープニューラルネットワークのためのネットワークベースのトランスファーラーニングアプローチは、食品販売予測領域におけるトランスファーラーニングの効率を調べるために設計されている。
さらに,異なる製品間での知識の共有方法や,伝達に最も適した製品を特定する方法について検討する。
提案手法を検証するため,オーストリアの食品小売会社のデータをもとに,新たに導入した食品の包括的ケーススタディを行う。
その結果, 食品販売予測におけるディープニューラルネットワークの予測精度は, 提案手法により効果的に向上することが示された。
関連論文リスト
- F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - Deep learning models for price forecasting of financial time series: A
review of recent advancements: 2020-2022 [6.05458608266581]
ディープラーニングモデルは、価格予測タスクのための従来の統計モデルと機械学習モデルを置き換えるものだ。
このレビューは、ディープラーニングに基づく予測モデルについて深く掘り下げ、モデルアーキテクチャ、実践的応用、およびそれぞれの利点と欠点に関する情報を提示する。
この貢献には、価格予測のための複雑な構造を持つディープラーニングモデルの有効性を検討するなど、将来の研究に向けた潜在的方向性も含まれている。
論文 参考訳（メタデータ） (2023-04-21T03:46:09Z) - Augmented Bilinear Network for Incremental Multi-Stock Time-Series
Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。
本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。
この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文 参考訳（メタデータ） (2022-07-23T18:54:10Z) - An Empirical Study on Distribution Shift Robustness From the Perspective
of Pre-Training and Data Augmentation [91.62129090006745]
本稿では,事前学習とデータ拡張の観点から分布シフト問題を考察する。
我々は,事前学習とデータ拡張に焦点を当てた,最初の総合的な実証的研究を行った。
論文 参考訳（メタデータ） (2022-05-25T13:04:53Z) - Unified Instance and Knowledge Alignment Pretraining for Aspect-based
Sentiment Analysis [96.53859361560505]
Aspect-based Sentiment Analysis (ABSA) は、ある側面に対する感情の極性を決定することを目的としている。
事前トレーニングと下流ABSAデータセットの間には、常に深刻なドメインシフトが存在する。
我々は,バニラ・プレトレイン・ファインチューンパイプラインにアライメント事前訓練フレームワークを導入する。
論文 参考訳（メタデータ） (2021-10-26T04:03:45Z) - Well Googled is Half Done: Multimodal Forecasting of New Fashion Product
Sales with Image-based Google Trends [13.873453929997776]
新しいファッション製品の売上予測は多くのビジネスダイナミクスを伴う難しい問題である。
本稿では,エンコーダが時系列の表現を学習するニューラルネットワークに基づくアプローチを提案する。
我々のモデルは非自己回帰的な方法で動作し、大きな第1ステップエラーの複合効果を避ける。
論文 参考訳（メタデータ） (2021-09-20T20:15:08Z) - Adversarial Training Helps Transfer Learning via Better Representations [17.497590668804055]
Transfer Learningは、ソースデータに事前トレーニングされたモデルを活用して、ターゲット設定に効率的に適応することを目的としている。
最近の研究は、情報源データにおける敵対的訓練が、新しいドメインへのモデル転送能力を向上させることを実証的に実証している。
本研究は, 情報源データにおける対角的学習により, より優れた表現が生成されることを示し, この表現を微調整することで, 対象データのより正確な予測が可能であることを示す。
論文 参考訳（メタデータ） (2021-06-18T15:41:07Z) - Source Data-absent Unsupervised Domain Adaptation through Hypothesis
Transfer and Labeling Transfer [137.36099660616975]
Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。
既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。
本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
論文 参考訳（メタデータ） (2020-12-14T07:28:50Z) - Predicting seasonal influenza using supermarket retail records [59.18952050885709]
我々は,スーパーマーケットの小売データを,センチネルバスケットの識別を通じてインフルエンザの代替信号とみなす。
SVR(Support Vector Regression)モデルを用いて、季節性インフルエンザ発生の予測を行います。
論文 参考訳（メタデータ） (2020-12-08T16:30:43Z) - How to Learn from Others: Transfer Machine Learning with Additive
Regression Models to Improve Sales Forecasting [0.0]
加算回帰モデルに基づく移動機械学習手法を提案する。
レストランの複数の支店の多年多様なデータセットに対するアプローチを評価した。
その結果,分析知識を総合的に活用するアプローチの可能性が示された。
論文 参考訳（メタデータ） (2020-05-15T15:44:37Z) - Profit-oriented sales forecasting: a comparison of forecasting
techniques from a business perspective [3.613072342189595]
本稿では,コカ・コーラ社の産業界データと公開データセットの両方から成る35回連続のテクニックを比較検討する。
モデル構築と評価プロセスの両方において、テクニックが生成できる期待される利益を考慮に入れた、新しく完全に自動化された利益主導のアプローチを導入します。
論文 参考訳（メタデータ） (2020-02-03T14:50:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。