論文の概要: Multimodal price prediction

• arxiv url: http://arxiv.org/abs/2007.05056v4
• Date: Fri, 2 Apr 2021 05:19:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 03:49:41.416211
• Title: Multimodal price prediction
• Title（参考訳）: マルチモーダル価格予測
• Authors: Aidin Zehtab-Salmasi, Ali-Reza Feizi-Derakhshi, Narjes Nikzad-Khasmakhi, Meysam Asgari-Chenaghlu, Saeideh Nabipour
• Abstract要約: 本研究の目的は、携帯電話の価格を仕様に基づいて予測する仕組みを実現することである。 5つのディープラーニングモデルが提案され、携帯電話の価格範囲を予測し、1つのユニモーダル、4つのマルチモーダルアプローチが提案される。 実験の結果、88.3%のF1スコアが示され、マルチモーダル学習が最先端技術よりも正確な予測につながることが確認された。
• 参考スコア（独自算出の注目度）: 1.601190705000295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Price prediction is one of the examples related to forecasting tasks and is a project based on data science. Price prediction analyzes data and predicts the cost of new products. The goal of this research is to achieve an arrangement to predict the price of a cellphone based on its specifications. So, five deep learning models are proposed to predict the price range of a cellphone, one unimodal and four multimodal approaches. The multimodal methods predict the prices based on the graphical and non-graphical features of cellphones that have an important effect on their valorizations. Also, to evaluate the efficiency of the proposed methods, a cellphone dataset has been gathered from GSMArena. The experimental results show 88.3% F1-score, which confirms that multimodal learning leads to more accurate predictions than state-of-the-art techniques.
• Abstract（参考訳）: 価格予測は、予測タスクに関連する例の1つであり、データサイエンスに基づくプロジェクトである。 価格予測はデータを分析し、新製品のコストを予測する。 本研究の目的は,携帯電話の価格をその仕様に基づいて予測する取決めを実現することである。 そこで、携帯電話の価格範囲を予測するために、5つのディープラーニングモデルが提案されている。 マルチモーダル方式は,携帯電話の図形的および非図形的特徴に基づいて価格を予測し,その評価に重要な影響を与える。 また,提案手法の有効性を評価するため,GSMArenaから携帯電話のデータセットを収集した。 実験の結果、88.3%のf1-scoreが示され、マルチモーダル学習が最先端技術よりも正確な予測に繋がることを確認した。

関連論文リスト

• Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
  本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。 限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• Review of deep learning models for crypto price prediction: implementation and evaluation [5.240745112593501]
  本稿では、暗号通貨価格予測のためのディープラーニングに関する文献をレビューし、暗号通貨価格予測のための新しいディープラーニングモデルを評価する。 我々のディープラーニングモデルには、長い短期記憶(LSTM)リカレントニューラルネットワークの変種、畳み込みニューラルネットワーク(CNN)の変種、トランスフォーマーモデルが含まれています。 また、新型コロナウイルスのパンデミックを通じて価格の大幅な変動を示す4つの暗号通貨のボラティリティ分析を実施している。
  論文  参考訳（メタデータ） (2024-05-19T03:15:27Z)
• Vehicle Price Prediction By Aggregating decision tree model With Boosting Model [0.0]
  このプロジェクトでは、機械学習アルゴリズムの不要なノイズを回避するために、pythonスクリプトを使用してデータの正規化、標準化、クリーン化を行っている。 提案システムは,決定木モデルとグラディエントブースティング予測モデルを用いて,相互に結合して正確な予測を行う。 同じデータセットの助けを借りた中古車の将来の価格予測は、異なるモデルから構成される。
  論文  参考訳（メタデータ） (2023-07-29T13:07:57Z)
• UTOPIA: Universally Trainable Optimal Prediction Intervals Aggregation [9.387706860375461]
  UTOPIA(Universally Trainable Optimal Predictive Intervals Aggregation)と呼ばれる新しい戦略を導入する。 この技術は、予測帯域の平均幅を小さく保ちながら、複数の予測間隔を効率的に集約し、カバレッジを確保する。 合成データとファイナンスとマクロ経済学における2つの実世界のデータセットに適用することで検証されている。
  論文  参考訳（メタデータ） (2023-06-28T20:38:37Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Project and Probe: Sample-Efficient Domain Adaptation by Interpolating Orthogonal Features [119.22672589020394]
  多様な特徴の集合を学習し,これらの特徴を補間することによって対象分布に適応する,軽量でサンプル効率のよい手法を提案する。 複数の分散シフト設定を持つ4つのデータセットに対する実験により、Pro$2$は、限られたターゲットデータが与えられた場合、パフォーマンスを5～15%向上することが示された。
  論文  参考訳（メタデータ） (2023-02-10T18:58:03Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• Transforming Model Prediction for Tracking [109.08417327309937]
  トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。 提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。 我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
  論文  参考訳（メタデータ） (2022-03-21T17:59:40Z)
• Datamodels: Predicting Predictions from Training Data [86.66720175866415]
  本稿では,モデルクラスの振る舞いを学習データの観点から分析するための概念的枠組みであるデータモデリングについて述べる。 単純な線形データモデルであっても、モデル出力をうまく予測できることが示される。
  論文  参考訳（メタデータ） (2022-02-01T18:15:24Z)
• Stock Price Prediction Using CNN and LSTM-Based Deep Learning Models [0.0]
  本稿では,株価予測のための深層学習モデルについて述べる。 インド国立証券取引所に記載されているNIFTY50指数の歴史的記録を利用する。 我々の提案には、畳み込みニューラルネットワーク上に構築された2つの回帰モデルと、3つの長期記憶ネットワークに基づく予測モデルが含まれる。
  論文  参考訳（メタデータ） (2020-10-22T03:09:07Z)
• Beyond Point Estimate: Inferring Ensemble Prediction Variation from Neuron Activation Strength in Recommender Systems [21.392694985689083]
  Ensemble Methodは、予測不確実性推定のための最先端のベンチマークである。 予測のバリエーションは、様々なランダム性源から生じることを観察する。 本稿では,ニューロンの活性化強度の予測変動を推定し,活性化強度の特徴から強い予測力を示す。
  論文  参考訳（メタデータ） (2020-08-17T00:08:27Z)

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。