論文の概要: MugRep: A Multi-Task Hierarchical Graph Representation Learning
Framework for Real Estate Appraisal
- arxiv url: http://arxiv.org/abs/2107.05180v1
- Date: Mon, 12 Jul 2021 03:51:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-13 15:52:37.288339
- Title: MugRep: A Multi-Task Hierarchical Graph Representation Learning
Framework for Real Estate Appraisal
- Title（参考訳）: MugRep: 不動産評価のためのマルチタスク階層型グラフ表現学習フレームワーク
- Authors: Weijia Zhang, Hao Liu, Lijun Zha, Hengshu Zhu, Ji Liu, Dejing Dou, Hui
Xiong
- Abstract要約: 正確な不動産評価のためのマルチタスク階層グラフ表現学習(MugRep)フレームワークを提案する。
複数の都市データを取得し統合することにより、まず、複数の視点から不動産を包括的にプロファイルするリッチな特徴セットを構築する。
進化する不動産取引グラフとそれに対応するイベントグラフ畳み込みモジュールが提案され、不動産取引に非同期に時間的依存関係を組み込む。
- 参考スコア（独自算出の注目度）: 57.28018917017665
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real estate appraisal refers to the process of developing an unbiased opinion
for real property's market value, which plays a vital role in decision-making
for various players in the marketplace (e.g., real estate agents, appraisers,
lenders, and buyers). However, it is a nontrivial task for accurate real estate
appraisal because of three major challenges: (1) The complicated influencing
factors for property value; (2) The asynchronously spatiotemporal dependencies
among real estate transactions; (3) The diversified correlations between
residential communities. To this end, we propose a Multi-Task Hierarchical
Graph Representation Learning (MugRep) framework for accurate real estate
appraisal. Specifically, by acquiring and integrating multi-source urban data,
we first construct a rich feature set to comprehensively profile the real
estate from multiple perspectives (e.g., geographical distribution, human
mobility distribution, and resident demographics distribution). Then, an
evolving real estate transaction graph and a corresponding event graph
convolution module are proposed to incorporate asynchronously spatiotemporal
dependencies among real estate transactions. Moreover, to further incorporate
valuable knowledge from the view of residential communities, we devise a
hierarchical heterogeneous community graph convolution module to capture
diversified correlations between residential communities. Finally, an urban
district partitioned multi-task learning module is introduced to generate
differently distributed value opinions for real estate. Extensive experiments
on two real-world datasets demonstrate the effectiveness of MugRep and its
components and features.
- Abstract（参考訳）: 不動産評価とは、不動産市場における様々なプレイヤー(不動産業者、鑑定員、貸し手、買い手など)の意思決定において重要な役割を果たす不動産市場価値に対する偏見のない意見を生み出す過程を指す。
しかし,1) 不動産価値の複雑な影響要因,(2) 不動産取引における非同期的時空間依存性,(3) 住宅コミュニティ間の相互関係の多様化,の3つの大きな課題から,正確な不動産評価を行うには,非自明な作業である。
そこで本研究では,正確な不動産評価のためのマルチタスク階層グラフ表現学習(mugrep)フレームワークを提案する。
具体的には,多元都市データを取得し統合することにより,まず,複数の視点(地理的分布,人的移動分布,居住人口分布など)から不動産を総合的にプロファイルする機能セットを構築する。
そして、進化する不動産取引グラフとそれに対応するイベントグラフ畳み込みモジュールを提案し、不動産取引に非同期に時空間依存性を組み込む。
さらに, 住宅コミュニティの観点から貴重な知識を更に取り入れるために, 階層的な異質なコミュニティグラフ畳み込みモジュールを考案し, 住宅コミュニティ間の多様な相関関係を捉える。
最後に、都市地区分割マルチタスク学習モジュールを導入し、不動産に対する異なる分散価値評価を生成する。
2つの実世界のデータセットに関する広範な実験は、mugrepとそのコンポーネントと機能の有効性を示している。
関連論文リスト
- Meta-Transfer Learning Empowered Temporal Graph Networks for Cross-City Real Estate Appraisal [28.752306064729474]
ディープラーニングは、Webプラットフォームからの実質的なオンライントランザクションデータを活用することで、不動産評価に大きな可能性を秘めている。
本稿では,MetaTransfer Learning Empowered Temporal Graph Networks (MetaTransfer)を提案する。
論文 参考訳（メタデータ） (2024-10-11T16:16:38Z) - A Multi-Modal Deep Learning Based Approach for House Price Prediction [19.02810406484948]
住宅のより正確な表現を学習するために,様々なタイプのデータを活用するマルチモーダルディープラーニング手法を提案する。
特に, 住宅属性, 地理空間近傍, および最も重要な特徴は, 住宅を表わすテキスト記述や画像から学習する。
その結果、住宅広告記述のテキスト埋め込みと住宅画像のイメージ埋め込みは、住宅価格予測精度を著しく向上させることができることがわかった。
論文 参考訳（メタデータ） (2024-09-09T05:26:33Z) - DoRA: Domain-Based Self-Supervised Learning Framework for Low-Resource
Real Estate Appraisal [15.404630852751547]
低リソース不動産評価のためのドメインベースの自己教師型学習フレームワークであるDoRAを提案する。
DoRAは、事前のドメイン知識と不動産表現を等価にするためのサンプル内の地理的予測で事前訓練されている。
実世界のトランザクションの3つのプロパティタイプに対するベンチマークの結果,DoRAはSSLベースラインを著しく上回る結果となった。
論文 参考訳（メタデータ） (2023-09-02T08:01:32Z) - Fine-Grained Property Value Assessment using Probabilistic
Disaggregation [14.618878494135226]
リモートセンシング画像から画素レベルの特性値の分布を推定する手法を提案する。
本研究では,大都市における実世界のデータセットについて評価する。
論文 参考訳（メタデータ） (2023-05-31T23:40:47Z) - Leveraging sparse and shared feature activations for disentangled
representation learning [112.22699167017471]
本稿では,教師付きタスクの多種多様な集合から抽出した知識を活用し,共通不整合表現を学習することを提案する。
我々は6つの実世界分布シフトベンチマークと異なるデータモダリティに対するアプローチを検証する。
論文 参考訳（メタデータ） (2023-04-17T01:33:24Z) - Look Around! A Neighbor Relation Graph Learning Framework for Real
Estate Appraisal [6.14249607864916]
本稿では,不動産評価のための新しい近隣関係グラフ学習フレームワーク(ReGram)を提案する。
ReGramは、アテンションメカニズムにより、ターゲットトランザクションと周辺地域の関係を組み込む。
さまざまなシナリオによる実世界のデータセットの実験では、ReGramが最先端の手法をしっかりと上回っていることが示されている。
論文 参考訳（メタデータ） (2022-12-23T08:20:19Z) - Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。
提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。
我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
論文 参考訳（メタデータ） (2021-11-25T17:33:12Z) - Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。
本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。
提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文 参考訳（メタデータ） (2021-07-10T03:49:41Z) - HittER: Hierarchical Transformers for Knowledge Graph Embeddings [85.93509934018499]
複雑な知識グラフにおける実体と関係の表現を学習するためにHittを提案する。
実験結果から,Hittは複数リンク予測において最先端の新たな結果が得られることがわかった。
さらに,HittをBERTに統合する簡単なアプローチを提案し,その効果を2つのFreebaseファクトイド対応データセットで示す。
論文 参考訳（メタデータ） (2020-08-28T18:58:15Z) - Multi-Granularity Reference-Aided Attentive Feature Aggregation for
Video-based Person Re-identification [98.7585431239291]
ビデオベースの人物再識別は、同じ人物をビデオクリップ間でマッチングすることを目的としている。
本稿では,マルチグラニュラリティ参照属性集約モジュールMG-RAFAを提案する。
本フレームワークは,3つのベンチマークデータセット上での最先端のアブレーション性能を実現する。
論文 参考訳（メタデータ） (2020-03-27T03:49:21Z)
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。