論文の概要: How to Learn from Others: Transfer Machine Learning with Additive Regression Models to Improve Sales Forecasting

• arxiv url: http://arxiv.org/abs/2005.10698v1
• Date: Fri, 15 May 2020 15:44:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 23:47:06.872192
• Title: How to Learn from Others: Transfer Machine Learning with Additive Regression Models to Improve Sales Forecasting
• Title（参考訳）: 他者から学ぶ方法:セールス予測を改善するための追加回帰モデルを用いたトランスファー機械学習
• Authors: Robin Hirt, Niklas K\"uhl, Yusuf Peker, Gerhard Satzger
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In a variety of business situations, the introduction or improvement of machine learning approaches is impaired as these cannot draw on existing analytical models. However, in many cases similar problems may have already been solved elsewhere-but the accumulated analytical knowledge cannot be tapped to solve a new problem, e.g., because of privacy barriers. For the particular purpose of sales forecasting for similar entities, we propose a transfer machine learning approach based on additive regression models that lets new entities benefit from models of existing entities. We evaluate the approach on a rich, multi-year dataset of multiple restaurant branches. We differentiate the options to simply transfer models from one branch to another ("zero shot") or to transfer and adapt them. We analyze feasibility and performance against several forecasting benchmarks. The results show the potential of the approach to exploit the collectively available analytical knowledge. Thus, we contribute an approach that is generalizable beyond sales forecasting and the specific use case in particular. In addition, we demonstrate its feasibility for a typical use case as well as the potential for improving forecasting quality. These results should inform academia, as they help to leverage knowledge across various entities, and have immediate practical application in industry.
• Abstract（参考訳）: さまざまなビジネス状況において、機械学習アプローチの導入や改善は、既存の分析モデルでは描けないため、損なわれている。 しかし、多くの場合、同様の問題が既に他の場所で解決された可能性があるが、蓄積された分析知識は、例えばプライバシー障壁のために新しい問題を解決するために利用できない。 類似エンティティの販売予測の特別な目的のために,既存のエンティティのモデルから新たなエンティティが恩恵を受けるように,付加回帰モデルに基づくトランスファー機械学習アプローチを提案する。 複数のレストランの支店の多年連続データセットに対するアプローチを評価する。 モデルをひとつのブランチから別のブランチ(“ゼロショット”)に転送するか、あるいはそれを転送して適用するかの選択肢を区別します。 我々は複数の予測ベンチマークに対して実現可能性と性能を分析する。 その結果,総合的に利用可能な分析知識を活用するアプローチの可能性を示した。 そこで,我々は,販売予測,特に特定のユースケースを超えて一般化可能なアプローチを提案する。 また,典型的なユースケースの実現可能性や,予測品質の向上の可能性も示す。 これらの結果は、様々なエンティティにわたる知識の活用を支援し、産業に即時的な応用をもたらすため、学界に知らせるべきである。

関連論文リスト

• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Pre-trained Recommender Systems: A Causal Debiasing Perspective [19.712997823535066]
  本研究では,異なるドメインから抽出した汎用ユーザ・イテムインタラクションデータをトレーニングすることで,ユニバーサルインタラクションパターンをキャプチャする汎用レコメンデータを開発する。 実験により,提案モデルにより,ゼロショットと少数ショットの学習環境での推薦性能が大幅に向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-10-30T03:37:32Z)
• Fantastic Gains and Where to Find Them: On the Existence and Prospect of General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
  事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。 このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
  論文  参考訳（メタデータ） (2023-10-26T17:59:46Z)
• MinT: Boosting Generalization in Mathematical Reasoning via Multi-View Fine-Tuning [53.90744622542961]
  数学領域における推論は、小言語モデル(LM)にとって重要な課題である。 多様なアノテーションスタイルで既存の数学的問題データセットを利用する新しい手法を提案する。 実験結果から,LLaMA-7Bモデルが先行手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-16T05:41:53Z)
• Parameterized Neural Networks for Finance [0.0]
  我々は、異なるデータサンプルの集合のモデルクラスを学ぶことができるニューラルネットワークアーキテクチャを議論し、分析する。 このアプローチを、資産運用者や銀行が直面している標準的問題の一つ、すなわちスプレッドカーブの校正に適用する。
  論文  参考訳（メタデータ） (2023-04-18T10:18:28Z)
• Entity Aware Modelling: A Survey [22.32009539611539]
  最近の機械学習の進歩により、新しい最先端の応答予測モデルが生まれている。 人口レベルで構築されたモデルは、多くのパーソナライズされた予測設定において、最適以下のパフォーマンスをもたらすことが多い。 パーソナライズされた予測では、予測性能を改善するために、異なるエンティティの固有の特性を取り入れることが目的である。
  論文  参考訳（メタデータ） (2023-02-16T16:33:33Z)
• Synthetic Model Combination: An Instance-wise Approach to Unsupervised Ensemble Learning [92.89846887298852]
  ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。 専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
  論文  参考訳（メタデータ） (2022-10-11T10:20:31Z)
• Autoencoder Attractors for Uncertainty Estimation [13.618797548020462]
  本稿では,オートエンコーダモデルに基づく不確実性推定手法を提案する。 提案手法は,車室内における占有者分類の産業的応用だけでなく,いくつかのデータセットの組み合わせについても検討した。
  論文  参考訳（メタデータ） (2022-04-01T12:10:06Z)
• Beyond Explaining: Opportunities and Challenges of XAI-Based Model Improvement [75.00655434905417]
  説明可能な人工知能(XAI)は、高度に複雑な機械学習(ML)モデルに透明性をもたらす新たな研究分野である。 本稿では,機械学習モデルの諸特性を改善するために,XAIを実用的に応用する手法を概観する。 実験では,モデル一般化能力や推論などの特性を改善する上で,説明がどのように役立つのかを,おもちゃと現実的な設定で実証的に示す。
  論文  参考訳（メタデータ） (2022-03-15T15:44:28Z)
• Individual Explanations in Machine Learning Models: A Survey for Practitioners [69.02688684221265]
  社会的関連性の高い領域の決定に影響を与える洗練された統計モデルの使用が増加しています。 多くの政府、機関、企業は、アウトプットが人間の解釈可能な方法で説明しにくいため、採用に消極的です。 近年,機械学習モデルに解釈可能な説明を提供する方法として,学術文献が多数提案されている。
  論文  参考訳（メタデータ） (2021-04-09T01:46:34Z)

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。