論文の概要: An Exponential Factorization Machine with Percentage Error Minimization
to Retail Sales Forecasting
- arxiv url: http://arxiv.org/abs/2009.10619v1
- Date: Tue, 22 Sep 2020 15:21:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 22:08:15.734242
- Title: An Exponential Factorization Machine with Percentage Error Minimization
to Retail Sales Forecasting
- Title（参考訳）: 販売予測に対するパーセンテージ誤差最小化を用いた指数因子化マシン
- Authors: Chongshou Li, Brenda Cheang, Zhixing Luo and Andrew Lim
- Abstract要約: 本稿では,リードタイムは長いが製品ライフサイクルが短い新製品の販売予測に対する新しいアプローチを提案する。
この問題を解決するために指数係数化マシン(EFM)の販売予測モデルを開発した。
- 参考スコア（独自算出の注目度）: 3.7572675195649623
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a new approach to sales forecasting for new products with
long lead time but short product life cycle. These SKUs are usually sold for
one season only, without any replenishments. An exponential factorization
machine (EFM) sales forecast model is developed to solve this problem which not
only considers SKU attributes, but also pairwise interactions. The EFM model is
significantly different from the original Factorization Machines (FM) from
two-fold: (1) the attribute-level formulation for explanatory variables and (2)
exponential formulation for the positive response variable. The attribute-level
formation excludes infeasible intra-attribute interactions and results in more
efficient feature engineering comparing with the conventional one-hot encoding,
while the exponential formulation is demonstrated more effective than the
log-transformation for the positive but not skewed distributed responses. In
order to estimate the parameters, percentage error squares (PES) and error
squares (ES) are minimized by a proposed adaptive batch gradient descent method
over the training set. Real-world data provided by a footwear retailer in
Singapore is used for testing the proposed approach. The forecasting
performance in terms of both mean absolute percentage error (MAPE) and mean
absolute error (MAE) compares favourably with not only off-the-shelf models but
also results reported by extant sales and demand forecasting studies. The
effectiveness of the proposed approach is also demonstrated by two external
public datasets. Moreover, we prove the theoretical relationships between PES
and ES minimization, and present an important property of the PES minimization
for regression models; that it trains models to underestimate data. This
property fits the situation of sales forecasting where unit-holding cost is
much greater than the unit-shortage cost.
- Abstract（参考訳）: 本稿では,リードタイムは長いが製品ライフサイクルが短い新製品の販売予測に対する新しいアプローチを提案する。
これらのSKUは通常1シーズンのみ販売され、補充は行わない。
指数因子化マシン(EFM)の販売予測モデルを開発し、SKU属性だけでなく、ペアの相互作用も考慮する。
efmモデルは,(1)説明変数に対する属性レベルの定式化,(2)正の応答変数に対する指数的定式化,の2つと,原因子化機械(fm)とは大きく異なる。
属性レベルの形成は属性内相互作用を除外し、従来の1ホットエンコーディングと比較してより効率的な特徴工学を実現する一方、指数定式化は正の対数変換よりも効果的であることが示される。
パラメータを推定するために、トレーニングセット上の適応型バッチ勾配法により、パーセンテージエラー平方(PES)とエラー平方(ES)を最小化する。
シンガポールの靴小売業者が提供した現実世界のデータは、提案されたアプローチをテストするために使用される。
平均絶対パーセンテージ誤差 (MAPE) と平均絶対パーセンテージ誤差 (MAE) の両者の予測性能は, 市販モデルだけでなく, 既存販売および需要予測研究によって報告された結果とも良好に比較できる。
提案手法の有効性を2つの外部公開データセットで示す。
さらに, PES と ES の最小化の理論的関係を証明し, 回帰モデルにおける PES の最小化の重要な特性を示す。
この特性は、ユニット保有コストがユニット保有コストよりもはるかに大きい販売予測の状況に適合する。
関連論文リスト
- Enhancing Retail Sales Forecasting with Optimized Machine Learning Models [0.0]
小売売上高予測では、在庫管理と戦略的計画にとって、将来の売上を正確に予測することが不可欠である。
機械学習(ML)の最近の進歩は、より堅牢な代替手段を提供する。
この研究はML、特にランダムフォレスト(RF)、グラディエントブースティング(GB)、サポートベクター回帰(SVR)、XGBoostの力の恩恵を受けている。
論文 参考訳（メタデータ） (2024-10-17T17:11:33Z) - 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) - Distributionally Robust Optimization as a Scalable Framework to Characterize Extreme Value Distributions [22.765095010254118]
本研究の目的は分散ロバストな最適化 (DRO) 推定器の開発であり、特に多次元極値理論 (EVT) の統計量についてである。
点過程の空間における半パラメトリックな最大安定制約によって予測されるDRO推定器について検討した。
両手法は, 合成データを用いて検証し, 所定の特性を回復し, 提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2024-07-31T19:45:27Z) - Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。
標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
論文 参考訳（メタデータ） (2023-10-25T17:59:12Z) - Self-Supervised Dataset Distillation for Transfer Learning [77.4714995131992]
ラベルなしデータセットを、効率的な自己教師付き学習(SSL)のための小さな合成サンプル群に蒸留する新しい問題を提案する。
両レベル最適化におけるSSL目標に対する合成サンプルの勾配は、データ拡張やマスキングから生じるランダム性から、テキストバイアスを受けていることを最初に証明する。
転送学習を含む様々な応用における本手法の有効性を実証的に検証する。
論文 参考訳（メタデータ） (2023-10-10T10:48:52Z) - Toward Fair Facial Expression Recognition with Improved Distribution
Alignment [19.442685015494316]
本稿では,表情認識(FER)モデルにおけるバイアスを軽減する新しい手法を提案する。
本手法は、FERモデルによる埋め込みにおいて、性別、年齢、人種などの機密属性情報を低減することを目的としている。
ferモデルにおいて、魅力の概念を重要な感度属性として分析し、FERモデルがより魅力的な顔に対するバイアスを実際に示できることを実証する。
論文 参考訳（メタデータ） (2023-06-11T14:59:20Z) - Maintaining Stability and Plasticity for Predictive Churn Reduction [8.971668467496055]
我々は,累積モデル組合せ (AMC) という解を提案する。
AMCは一般的な手法であり、モデルやデータ特性に応じてそれぞれ独自の利点を持ついくつかの事例を提案する。
論文 参考訳（メタデータ） (2023-05-06T20:56:20Z) - Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。
FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。
PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文 参考訳（メタデータ） (2023-05-01T20:04:46Z) - Predicting with Confidence on Unseen Distributions [90.68414180153897]
ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。
分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。
具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
論文 参考訳（メタデータ） (2021-07-07T15:50:18Z) - A Locally Adaptive Interpretable Regression [7.4267694612331905]
線形回帰は最も解釈可能な予測モデルの一つである。
本稿では,局所適応型解釈型回帰(LoAIR)を導入する。
我々のモデルは、他の最先端のベースラインと同等またはより良い予測性能を達成する。
論文 参考訳（メタデータ） (2020-05-07T09:26:14Z) - Mind the Trade-off: Debiasing NLU Models without Degrading the
In-distribution Performance [70.31427277842239]
信頼性正則化という新しいデバイアス化手法を導入する。
モデルがバイアスを悪用するのを防ぐと同時に、トレーニングのすべての例から学ぶのに十分なインセンティブを得られるようにします。
提案手法を3つのNLUタスクで評価し,前者とは対照的に,アウト・オブ・ディストリビューション・データセットの性能が向上することを示す。
論文 参考訳（メタデータ） (2020-05-01T11:22:55Z)
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。