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/2109.09824v6
• Date: Sun, 14 Jan 2024 18:23:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-18 04:07:30.551164
• 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: 新しいファッション製品の売上予測は多くのビジネスダイナミクスを伴う難しい問題である。 本稿では,エンコーダが時系列の表現を学習するニューラルネットワークに基づくアプローチを提案する。 我々のモデルは非自己回帰的な方法で動作し、大きな第1ステップエラーの複合効果を避ける。
• 参考スコア（独自算出の注目度）: 13.873453929997776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: New fashion product sales forecasting is a challenging problem that involves many business dynamics and cannot be solved by classical forecasting approaches. In this paper, we investigate the effectiveness of systematically probing exogenous knowledge in the form of Google Trends time series and combining it with multi-modal information related to a brand-new fashion item, in order to effectively forecast its sales despite the lack of past data. In particular, we propose a neural network-based approach, where an encoder learns a representation of the exogenous time series, while the decoder forecasts the sales based on the Google Trends encoding and the available visual and metadata information. Our model works in a non-autoregressive manner, avoiding the compounding effect of large first-step errors. As a second contribution, we present VISUELLE, a publicly available dataset for the task of new fashion product sales forecasting, containing multimodal information for 5577 real, new products sold between 2016-2019 from Nunalie, an Italian fast-fashion company. The 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 several baselines, showing that our neural network-based approach 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% in terms of Weighted Absolute Percentage Error (WAPE), revealing the importance of exploiting informative external information. The code and dataset are both available at https://github.com/HumaticsLAB/GTM-Transformer.
• Abstract（参考訳）: 新しいファッション製品の販売予測は、多くのビジネスダイナミクスを伴う困難な問題であり、古典的な予測アプローチでは解決できない。 本稿では,過去のデータがないにもかかわらず,販売を効果的に予測するために,Google Trendsの時系列形式で外因性知識を体系的に探索し,それを新しいファッションアイテムに関連するマルチモーダル情報と組み合わせることの有効性を検討する。 特に、エンコーダが外因性時系列の表現を学習し、デコーダが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に基づいて販売を予測するニューラルネットワークベースのアプローチを提案する。 我々のモデルは非自己回帰的に機能し、大きな第1ステップエラーの複合効果を避ける。 第2のコントリビューションとして,イタリアのファストファッション企業であるNunalieから2016～2019年の間に販売された,5577のリアルな新製品のマルチモーダル情報を含む,新しいファッション製品販売予測タスク用の公開データセットであるVISUELLEを紹介する。 データセットには、製品、メタデータ、関連する販売、関連するGoogle Trendsの画像が備わっている。 visuelleを使って最先端の代替品やいくつかのベースラインと比較し、当社のニューラルネットワークベースのアプローチがパーセンテージと絶対誤差の両方の観点から最も正確であることを示しました。 外部知識の追加は、重み付き絶対パーセンテージ誤差(wape)の観点から予測精度を1.5%向上させ、情報的外部情報の利用の重要性を明らかにした。 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。