論文の概要: The Properly Use of Google Trends in Forecasting Models
- arxiv url: http://arxiv.org/abs/2104.03065v1
- Date: Wed, 7 Apr 2021 11:33:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-08 18:59:47.047808
- Title: The Properly Use of Google Trends in Forecasting Models
- Title(参考訳): 予測モデルにおけるgoogle trendsの適切な利用
- Authors: Marcelo C. Medeiros, Henrique F. Pires
- Abstract要約: textttGoogle Trendsは、予測者が使う最も人気のある無料ツールの1つになった。
Googleの検索データの各サンプルは、同じ検索語、データ、および場所を設定しても、他のものとは異なります。
本稿は,問題になり得る理由と,その克服方法を明らかにすることを目的とする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It is widely known that \texttt{Google Trends} has become one of the most
popular free tools used by forecasters both in academics and in the private and
public sectors. There are many papers, from several different fields,
concluding that \texttt{Google Trends} improve forecasts' accuracy. However,
what seems to be widely unknown, is that each sample of Google search data is
different from the other, even if you set the same search term, data and
location. This means that it is possible to find arbitrary conclusions merely
by chance. This paper aims to show why and when it can become a problem and how
to overcome this obstacle.
- Abstract(参考訳): \texttt{Google Trends}は、学者と民間、公共の両方で、予測者が使用する最も人気のある無料ツールの1つであることが広く知られている。
いくつかの異なる分野から,‘texttt{Google Trends} が予測の精度を改善するという結論が得られた。
しかし、広く知られていないと思われるのは、google検索データの各サンプルが、同じ検索語、データ、場所を設定する場合でも、互いに異なることだ。
これは、偶然に任意の結論を見つけることができることを意味する。
本稿は,問題になり得る理由と,その克服方法を明らかにすることを目的とする。
関連論文リスト
- Limits to Predicting Online Speech Using Large Language Models [20.215414802169967]
最近の研究は、ユーザーの仲間が書いた投稿に含まれる予測情報が、ユーザーの投稿を上回る可能性があることを示唆している。
われわれは5万人以上のXユーザー(以前はTwitter)とその仲間から625万件の投稿を集めている。
取締役会全体では、ソーシャルメディア投稿の予測可能性はまだ低く、文脈のない財務ニュースの予測に匹敵する。
論文 参考訳(メタデータ) (2024-07-08T09:50:49Z) - Best of Many in Both Worlds: Online Resource Allocation with Predictions under Unknown Arrival Model [16.466711636334587]
オンライン意思決定者は、到着や要求など、将来の変数に関する予測を得ることが多い。
意思決定者にとって予測精度は未知であるため、予測に盲目的に追従することは有害である。
我々は未知の予測精度に頑健な方法で予測を利用するアルゴリズムを開発した。
論文 参考訳(メタデータ) (2024-02-21T04:57:32Z) - Position: Considerations for Differentially Private Learning with Large-Scale Public Pretraining [75.25943383604266]
大規模なWebスクレイプデータセットの使用は、差分プライバシ保存と見なすべきかどうかを疑問視する。
Webデータ上で事前訓練されたこれらのモデルを“プライベート”として公開することで、市民のプライバシーに対する信頼を意味のあるプライバシの定義として損なう可能性があることを警告します。
公的な事前学習がより普及し、強力になるにつれて、私的な学習分野への道のりを議論することで、我々は結論づける。
論文 参考訳(メタデータ) (2022-12-13T10:41:12Z) - Domain Generalization -- A Causal Perspective [20.630396283221838]
機械学習モデルは、ヘルスケアからパーソナライズされたレコメンデーションまで、広く成功している。
これらのモデルの予備的な仮定の1つは、独立かつ同一の分布である。
モデルはこの仮定に大きく依存しているため、一般化能力は乏しい。
論文 参考訳(メタデータ) (2022-09-30T01:56:49Z) - Assaying Out-Of-Distribution Generalization in Transfer Learning [103.57862972967273]
私たちは、経験的に対処するメッセージの相違を強調して、以前の作業の統一的なビューを取ります。
私たちは9つの異なるアーキテクチャから、多数の、あるいは少数の設定で31K以上のネットワークを微調整しました。
論文 参考訳(メタデータ) (2022-07-19T12:52:33Z) - The Matter of Chance: Auditing Web Search Results Related to the 2020
U.S. Presidential Primary Elections Across Six Search Engines [68.8204255655161]
私たちは、Google、Baidu、Bing、DuckDuckGo、Yahoo、Yandexの"US Election"、"Donald trump"、"Joe Biden"、"bernie Sanders"の検索結果を調べます。
その結果, 検索エンジン間の検索結果と, エージェント間の検索結果の相違が有意な差があることが示唆された。
論文 参考訳(メタデータ) (2021-05-03T11:18:19Z) - Domain Generalization: A Survey [146.68420112164577]
ドメイン一般化(DG)は、モデル学習にソースドメインデータを使用するだけでOOD一般化を実現することを目的としています。
初めて、DGの10年の開発をまとめるために包括的な文献レビューが提供されます。
論文 参考訳(メタデータ) (2021-03-03T16:12:22Z) - Google Trends Analysis of COVID-19 [3.1277175082738005]
世界保健機関(WHO)は3月11日、新型コロナウイルスがパンデミック病であると発表した。
本研究の目的は、Google検索のトレンドと新型コロナウイルスの拡散との関係を検討することである。
論文 参考訳(メタデータ) (2020-11-07T20:55:19Z) - Search Engine Similarity Analysis: A Combined Content and Rankings
Approach [6.69087470775851]
我々は、DuckDuckGoとともに、GoogleとBingという2つの主要な検索エンジンの親和性について分析する。
我々は、検索応答のコンテンツとランキングの両方を活用する新しい類似度指標を開発した。
しかしBingとDuckDuckGoは相違点が多い。
論文 参考訳(メタデータ) (2020-11-01T23:57:24Z) - Unification of HDP and LDA Models for Optimal Topic Clustering of
Subject Specific Question Banks [55.41644538483948]
オンラインコースの人気が高まると、学者向けのコース関連クエリの数が増加することになる。
個々の質問に答えるのに費やす時間を短縮するために、それらをクラスタリングするのは理想的な選択です。
階層ディリクレプロセスを用いて、LDAモデルの実行に対して最適なトピック番号を入力します。
論文 参考訳(メタデータ) (2020-10-04T18:21:20Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳(メタデータ) (2020-03-10T09:15:42Z)
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。