論文の概要: Well Googled is Half Done: Multimodal Forecasting of New Fashion Product Sales with Image-based Google Trends

• arxiv url: http://arxiv.org/abs/2109.09824v1
• Date: Mon, 20 Sep 2021 20:15:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-22 14:32:09.199973
• Title: Well Googled is Half Done: Multimodal Forecasting of New Fashion Product Sales with Image-based Google Trends
• Title（参考訳）: Googleは、画像ベースのGoogleトレンドで新しいファッション製品の売上をマルチモーダル予測
• Authors: Geri Skenderi, Christian Joppi, Matteo Denitto, Marco Cristani
• Abstract要約: 本稿では,Google Trends Multimodal Transformer のための GTM-Transformer を提案する。 我々のモデルは非自己回帰的な方法で動作し、最初のステップエラーの複合効果を避ける。 VSUELLEデータセットは、新しいファッション製品販売予測タスクのための最初の公開データセットである。
• 参考スコア（独自算出の注目度）: 7.249722052397007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper investigates the effectiveness of systematically probing Google Trendsagainst textual translations of visual aspects as exogenous knowledge to predict the sales of brand-new fashion items, where past sales data is not available, but only an image and few metadata are available. In particular, we propose GTM-Transformer, standing for Google Trends Multimodal Transformer, whose encoder works on the representation of the exogenous time series, while the decoder forecasts the sales using the Google Trends encoding, and the available visual and metadata information. Our model works in a non-autoregressive manner, avoiding the compounding effect of the first-step errors. As a second contribution, we present the VISUELLE dataset, which is the first publicly available dataset for the task of new fashion product sales forecasting, containing the sales of 5577 new products sold between 2016-2019, derived from genuine historical data ofNunalie, an Italian fast-fashion company. Our dataset is equipped with images of products, metadata, related sales, and associated Google Trends. We use VISUELLE to compare our approach against state-of-the-art alternatives and numerous baselines, showing that GTM-Transformer is the most accurate in terms of both percentage and absolute error. It is worth noting that the addition of exogenous knowledge boosts the forecasting accuracy by 1.5% WAPE wise, showing the importance of exploiting Google Trends. The code and dataset are both available at https://github.com/HumaticsLAB/GTM-Transformer.
• Abstract（参考訳）: 本稿では,過去の販売データがないが,画像とメタデータの少ない新しいファッションアイテムの売れ行きを予測するために,視覚面のテキスト翻訳を外生的知識として体系的にgoogle trendsagainstに検索することの有効性について検討する。 特に,Google Trends Multimodal Transformer(GTM-Transformer)を提案する。エンコーダは外因性時系列の表現に取り組んでおり,デコーダはGoogle Trendsエンコーディングと利用可能なビジュアルおよびメタデータ情報を用いて販売を予測している。 我々のモデルは非自己回帰的に機能し、最初のステップエラーの複合効果を避ける。 第2の貢献として,イタリアのファシコン企業であるnunalieの履歴データから,2016年から2019年にかけて販売された5577台の新製品を含む,新ファッション製品販売予測タスクのための最初の公開データセットであるvisuelleデータセットを提案する。 当社のデータセットには、製品イメージ、メタデータ、関連する販売、関連するgoogle trendsが含まれています。 我々はVISUELLEを用いて、最先端の代替品や多数のベースラインに対するアプローチを比較し、GTM-Transformerがパーセンテージと絶対誤差の両面で最も正確であることを示す。 外部知識の追加によって予測精度が1.5%向上し、google trendsを悪用する重要性が示されたことは注目に値する。 コードとデータセットはhttps://github.com/HumaticsLAB/GTM-Transformer.comで公開されている。

関連論文リスト

• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Opinion mining using Double Channel CNN for Recommender System [0.0]
  深層学習モデルを用いた感情分析のアプローチを提案し,それを製品に推奨する。 意見マイニングには2チャネル畳み込みニューラルネットワークモデルが使用されており、5つのレイヤを持ち、データから重要な特徴を抽出する。 提案手法の精度は91.6%に達し, 従来のアスペクトベース手法に比べて有意に向上した。
  論文  参考訳（メタデータ） (2023-07-15T13:11:18Z)
• GEANN: Scalable Graph Augmentations for Multi-Horizon Time Series Forecasting [36.85187795776383]
  関心が急速に高まっているトピックは、十分な履歴データがない時系列を予測することである。 本稿では,グラフニューラルネットワーク(GNN)をデータ拡張として活用することにより,この問題に対処する新しい方法を提案する。 我々のアーキテクチャは、数百万のノードを持つ複数の非常に大きなグラフから情報を取り込むために、データ駆動グラフまたはドメイン知識定義グラフのいずれかを使用することができる。
  論文  参考訳（メタデータ） (2023-07-07T13:38:16Z)
• Multimodal Neural Network For Demand Forecasting [0.8602553195689513]
  本稿では,ニュース記事からのリアルタイムイベントと,過去のセールスやホリデー情報といった従来のデータを組み合わせたマルチモーダルセールス予測ネットワークを提案する。 従来の販売予測手法と比較して,SMAPEの誤差測定値の平均改善率は7.37%と統計的に有意な改善を示した。
  論文  参考訳（メタデータ） (2022-10-20T18:06:36Z)
• Augmented Bilinear Network for Incremental Multi-Stock Time-Series Classification [83.23129279407271]
  本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。 本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。 この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
  論文  参考訳（メタデータ） (2022-07-23T18:54:10Z)
• Approaching sales forecasting using recurrent neural networks and transformers [57.43518732385863]
  深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。 実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。 提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
  論文  参考訳（メタデータ） (2022-04-16T12:03:52Z)
• 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)
• Perceptual Score: What Data Modalities Does Your Model Perceive? [73.75255606437808]
  モデルが入力特徴の異なる部分集合に依存する度合いを評価する指標である知覚スコアを導入する。 近年,視覚的質問応答に対するマルチモーダルモデルでは,前者よりも視覚的データを知覚しにくい傾向がみられた。 知覚スコアを使用することで、スコアをデータサブセットのコントリビューションに分解することで、モデルのバイアスを分析することもできる。
  論文  参考訳（メタデータ） (2021-10-27T12:19:56Z)
• Heterogeneous Network Embedding for Deep Semantic Relevance Match in E-commerce Search [29.881612817309716]
  Eコマースアイテム関連性のためのエンドツーエンドの第一次および第二次関連性予測モデルを設計します。 BERTから生成された外部知識を導入し,ユーザ行動のネットワークを改良する。 オフライン実験の結果,新しいモデルにより,人間関係判定における予測精度が有意に向上した。
  論文  参考訳（メタデータ） (2021-01-13T03:12:53Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。