論文の概要: Leveraging Multiple Relations for Fashion Trend Forecasting Based on Social Media

• arxiv url: http://arxiv.org/abs/2105.03299v2
• Date: Tue, 11 May 2021 07:41:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-12 11:15:48.662944
• Title: Leveraging Multiple Relations for Fashion Trend Forecasting Based on Social Media
• Title（参考訳）: ソーシャルメディアに基づくファッショントレンド予測のための複数関係の活用
• Authors: Yujuan Ding, Yunshan Ma, Lizi Liao, Wai Keung Wong, Tat-Seng Chua
• Abstract要約: Relation Enhanced Attention Recurrent(REAR)ネットワークという改良モデルを提案する。 KERNと比較して、REARモデルはファッション要素間の関係だけでなく、ユーザグループ間の関係も活用する。 長期トレンド予測の性能をさらに向上させるために、REAR法はスライディング時間的注意メカニズムを考案する。
• 参考スコア（独自算出の注目度）: 72.06420633156479
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fashion trend forecasting is of great research significance in providing useful suggestions for both fashion companies and fashion lovers. Although various studies have been devoted to tackling this challenging task, they only studied limited fashion elements with highly seasonal or simple patterns, which could hardly reveal the real complex fashion trends. Moreover, the mainstream solutions for this task are still statistical-based and solely focus on time-series data modeling, which limit the forecast accuracy. Towards insightful fashion trend forecasting, previous work [1] proposed to analyze more fine-grained fashion elements which can informatively reveal fashion trends. Specifically, it focused on detailed fashion element trend forecasting for specific user groups based on social media data. In addition, it proposed a neural network-based method, namely KERN, to address the problem of fashion trend modeling and forecasting. In this work, to extend the previous work, we propose an improved model named Relation Enhanced Attention Recurrent (REAR) network. Compared to KERN, the REAR model leverages not only the relations among fashion elements but also those among user groups, thus capturing more types of correlations among various fashion trends. To further improve the performance of long-range trend forecasting, the REAR method devises a sliding temporal attention mechanism, which is able to capture temporal patterns on future horizons better. Extensive experiments and more analysis have been conducted on the FIT and GeoStyle datasets to evaluate the performance of REAR. Experimental and analytical results demonstrate the effectiveness of the proposed REAR model in fashion trend forecasting, which also show the improvement of REAR compared to the KERN.
• Abstract（参考訳）: ファッショントレンド予測は、ファッション企業とファッション愛好者の両方に有用な提案を提供する上で、非常に重要な研究である。 この困難な課題に取り組むために様々な研究がなされてきたが、彼らは非常に季節的あるいは単純なパターンの限られたファッション要素しか研究しておらず、実際の複雑なファッショントレンドは明らかではない。 さらに、このタスクのメインストリームソリューションは依然として統計ベースであり、予測精度を制限する時系列データモデリングのみに焦点を当てている。 洞察に富んだファッショントレンド予測に向けて、以前の研究 [1] は、ファッショントレンドを情報的に示すことのできる、よりきめ細かいファッション要素を分析することを提案した。 具体的には、ソーシャルメディアデータに基づく特定のユーザーグループに対する、ファッション要素の詳細なトレンド予測に焦点を当てた。 さらに,ファッショントレンドモデリングと予測の問題に対処するために,ニューラルネットワークに基づく手法であるkernを提案した。 本研究では,先行研究を拡張すべく,Relation Enhanced Attention Recurrent(REAR)ネットワークという改良モデルを提案する。 KERNと比較して、REARモデルはファッション要素間の関係だけでなく、ユーザグループ間の関係も活用し、様々なファッショントレンド間の相関関係をより多く捉える。 長距離トレンド予測の性能をさらに向上するため,REAR法では,将来の地平線における時間的パターンをよりよく捉えることができるすべり時間的注意機構を考案した。 FITおよびGeoStyleデータセットを用いて、REARの性能を評価するための大規模な実験およびさらなる分析を行った。 KERNと比較してREARの改善を示すファッショントレンド予測におけるREARモデルの有効性を実験的および解析的に実証した。

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)
• Deep Learning Model Reuse in the HuggingFace Community: Challenges, Benefit and Trends [12.645960268553686]
  大規模事前学習モデル(PTM)の普及が進み、モデルハブやPTMをホストする専用のプラットフォームへの関心が高まっている。 本研究は, PTM の再利用に伴う課題とメリットの分類をコミュニティ内で提示する。 本研究は,初心者ユーザに対する限られたガイダンス,トレーニングや推論におけるモデルアウトプットの理解性の難しさ,モデル理解の欠如など,一般的な課題に注目した。
  論文  参考訳（メタデータ） (2024-01-24T01:50:29Z)
• Multimodal Quasi-AutoRegression: Forecasting the visual popularity of new fashion products [18.753508811614644]
  ファッション業界の急速な変化のため、ファッションにおけるトレンド検出は難しい課題である。 コンピュータビジョンネットワークによって抽出されたマルチモーダル多層パーセプトロン処理のカテゴリと視覚的特徴であるMuQARを提案する。 VISUELLEデータセットの比較研究によると、MuQARはWAPEで2.88%、MAEで3.04%の競争力を持つ。
  論文  参考訳（メタデータ） (2022-04-08T11:53:54Z)
• HERMES: Hybrid Error-corrector Model with inclusion of External Signals for nonstationary fashion time series [0.0]
  ファッション時系列予測のための新しいモデルを提案する。 最先端のコンピュータビジョンアプローチを用いてソーシャルメディア上で数千のファッショントレンドを追跡することにより、ファッション時系列予測の新しいモデルを提案する。 このハイブリッドモデルは、提案したファッションデータセット、M4コンペティションの週次時系列、および外部弱信号の寄与の利点を示す。
  論文  参考訳（メタデータ） (2022-02-07T14:24:44Z)
• ModeRNN: Harnessing Spatiotemporal Mode Collapse in Unsupervised Predictive Learning [75.2748374360642]
  そこで本研究では,繰り返し状態間の隠れ構造表現を学習するための新しい手法であるModeRNNを提案する。 データセット全体にわたって、異なるモードがスロットの混合に対して異なるレスポンスをもたらすため、ModeRNNが構造化された表現を構築する能力が向上する。
  論文  参考訳（メタデータ） (2021-10-08T03:47:54Z)
• Personalized Fashion Recommendation from Personal Social Media Data: An Item-to-Set Metric Learning Approach [71.63618051547144]
  ソーシャルメディアデータからパーソナライズされたファッションレコメンデーションの問題について検討する。 本稿では,ユーザの過去のファッションアイテムと新しいファッションアイテムとの類似性を学習する,アイテムツーセットのメトリック学習フレームワークを提案する。 提案手法の有効性を検証するために,実世界のソーシャルメディアデータセットを収集する。
  論文  参考訳（メタデータ） (2020-05-25T23:24:24Z)
• Knowledge Enhanced Neural Fashion Trend Forecasting [81.2083786318119]
  本研究は,特定のユーザグループを対象とした,きめ細かいファッション要素の傾向の調査に焦点をあてる。 まず、Instagramから収集した大規模なファッショントレンドデータセット(FIT)に、時系列のファッション要素の記録とユーザー情報を抽出した。 本稿では,時系列データモデリングにおける深部再帰型ニューラルネットワークの機能を利用する知識強化型ニューラルネットワークモデル(KERN)を提案する。
  論文  参考訳（メタデータ） (2020-05-07T07:42:17Z)
• Using Artificial Intelligence to Analyze Fashion Trends [0.76146285961466]
  本研究では,人工知能(A.I.)アルゴリズムを用いたデータ駆動量抽象手法を提案する。 A.I.モデルは、さまざまなシナリオ下で大規模なデータセットのファッションイメージに基づいてトレーニングされた。 A.I.モデルは検出された領域の豊富な記述を生成でき、画像中の衣服を正確に結合できることがわかった。
  論文  参考訳（メタデータ） (2020-05-03T04:46:12Z)
• Learning Diverse Fashion Collocation by Neural Graph Filtering [78.9188246136867]
  本稿では,グラフニューラルネットワークを用いて,フレキシブルなファッションアイテムセットをモデル化する新しいファッションコロケーションフレームワークであるNeural Graph Filteringを提案する。 エッジベクトルに対称演算を適用することにより、このフレームワークは様々な入力/出力を許容し、それらの順序に不変である。 提案手法を,Polyvoreデータセット,Polyvore-Dデータセット,Amazon Fashionデータセットの3つの一般的なベンチマークで評価した。
  論文  参考訳（メタデータ） (2020-03-11T16:17:08Z)

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。