論文の概要: Classification of Goods Using Text Descriptions With Sentences Retrieval

• arxiv url: http://arxiv.org/abs/2111.01663v1
• Date: Tue, 2 Nov 2021 15:19:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 14:44:04.077053
• Title: Classification of Goods Using Text Descriptions With Sentences Retrieval
• Title（参考訳）: 文検索による文章記述を用いた商品の分類
• Authors: Eunji Lee, Sundong Kim, Sihyun Kim, Sungwon Park, Meeyoung Cha, Soyeon Jung, Suyoung Yang, Yeonsoo Choi, Sungdae Ji, Minsoo Song, Heeja Kim
• Abstract要約: 本稿では,貿易商品に対する国際的に認められた商品コード(HSコード)の割り当てと検証を支援するためのディープラーニングモデルを提案する。 過去の129,084件の評価から,本モデルが提案した上位3件は,265件のサブヘッドの分類において,95.5%の精度を示した。
• 参考スコア（独自算出の注目度）: 9.355442864316451
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The task of assigning and validating internationally accepted commodity code (HS code) to traded goods is one of the critical functions at the customs office. This decision is crucial to importers and exporters, as it determines the tariff rate. However, similar to court decisions made by judges, the task can be non-trivial even for experienced customs officers. The current paper proposes a deep learning model to assist this seemingly challenging HS code classification. Together with Korea Customs Service, we built a decision model based on KoELECTRA that suggests the most likely heading and subheadings (i.e., the first four and six digits) of the HS code. Evaluation on 129,084 past cases shows that the top-3 suggestions made by our model have an accuracy of 95.5% in classifying 265 subheadings. This promising result implies algorithms may reduce the time and effort taken by customs officers substantially by assisting the HS code classification task.
• Abstract（参考訳）: 貿易商品に国際的に認められた商品コード(hsコード)を割り当て、検証する仕事は関税局の重要な機能の一つである。 この決定は関税率を決定するため輸入者や輸出者にとって重要である。 しかし、裁判官が下した裁判所の決定と同様に、経験豊富な税関職員でさえその任務は簡単ではない。 本稿では,この一見困難なhsコード分類を支援するディープラーニングモデルを提案する。 韓国税関とともに、我々はKoELECTRAに基づく決定モデルを構築し、HSコードの最上位と下位の4桁(すなわち、最初の4桁と6桁)を示唆した。 過去の129,084例の評価から,本モデルによるトップ3提案は265のサブヘッドの分類において95.5%の精度を示した。 この有望な結果から、アルゴリズムはhsコード分類タスクを補助することにより、税関職員の時間と労力を大幅に削減することができる。

関連論文リスト

• JudgeRank: Leveraging Large Language Models for Reasoning-Intensive Reranking [81.88787401178378]
  本稿では,文書関連性を評価する際に,人間の認知過程をエミュレートする新しいエージェント・リランカであるJiceRankを紹介する。 我々は,推論集約型BRIGHTベンチマークを用いて判定Rankを評価し,第1段階の検索手法よりも性能が大幅に向上したことを示す。 さらに、JiceRankは、人気の高いBEIRベンチマークの細調整された最先端リランカと同等に動作し、ゼロショットの一般化能力を検証している。
  論文  参考訳（メタデータ） (2024-10-31T18:43:12Z)
• Sifting through the Chaff: On Utilizing Execution Feedback for Ranking the Generated Code Candidates [46.74037090843497]
  大規模言語モデル(LLM)は、自然言語記述に基づいたコードの自動生成によって、開発者がプログラミングにアプローチする方法を変えつつある。 本稿では,実行フィードバックを活用するコードランキングの革新的なアプローチである RankEF について述べる。 3つのコード生成ベンチマークの実験では、RanEFが最先端のCodeRankerよりも大幅に優れていることが示されている。
  論文  参考訳（メタデータ） (2024-08-26T01:48:57Z)
• Classification Matters: Improving Video Action Detection with Class-Specific Attention [61.14469113965433]
  ビデオアクション検出(VAD)は、アクターを検出し、そのアクションをビデオで分類することを目的としている。 一般的な手法が、分類のための特徴をどう形成するかを分析し、アクター領域の優先順位付けを行う。 本稿では,アクターに対する偏見を減らし,各アクションクラスに関連する文脈に注意を払うことを提案する。
  論文  参考訳（メタデータ） (2024-07-29T04:43:58Z)
• Classifying complex documents: comparing bespoke solutions to large language models [0.0]
  我々の目的は、12の州と267の郡から9つのサブカテゴリを使って3万件の公庁舎の記録を2つの異なるレベルに分類することである。 具体的には、細調整された大規模言語モデル(LLM)が、カスタムトレーニングモデルの精度を達成できるかどうかを検討した。
  論文  参考訳（メタデータ） (2023-12-12T11:38:09Z)
• Explainable Product Classification for Customs [17.26622394748642]
  国際的に認められた商品コード(HSコード)を貿易商品に割り当てる作業は税関にとって重要な機能である。 本稿では,HSコードのサブヘッド化の可能性が最も高いことを示唆する,初めて説明可能な意思決定支援モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-18T00:33:48Z)
• Fraunhofer SIT at CheckThat! 2023: Tackling Classification Uncertainty Using Model Souping on the Example of Check-Worthiness Classification [0.0]
  本稿では,Fraunhofer SITチームが開発したCLEF-2023 CheckThat! Lab Task 1B for Englishについて述べる。 政治的議論のテキストスニペットが与えられた場合、このタスクの目的は、チェックしやすさを評価すべきかどうかを判断することである。
  論文  参考訳（メタデータ） (2023-07-03T09:27:46Z)
• Classification of US Supreme Court Cases using BERT-Based Techniques [0.0]
  我々は、米国最高裁判所判決または最高裁判所データベース(SCDB)のためのBERTに基づくいくつかの分類手法の実験を行った。 次に、長いドキュメントのSOTAモデルと結果を比較します。 その結果,15のカテゴリで80%,細粒度279のカテゴリで60%の精度が得られた。
  論文  参考訳（メタデータ） (2023-04-17T22:53:54Z)
• ReAct: Temporal Action Detection with Relational Queries [84.76646044604055]
  本研究は,アクションクエリを備えたエンコーダ・デコーダフレームワークを用いて,時間的行動検出(TAD)の進展を図ることを目的とする。 まず,デコーダ内の関係注意機構を提案し,その関係に基づいてクエリ間の関心を誘導する。 最後に、高品質なクエリを区別するために、推論時に各アクションクエリのローカライズ品質を予測することを提案する。
  論文  参考訳（メタデータ） (2022-07-14T17:46:37Z)
• Instance-Conditional Knowledge Distillation for Object Detection [59.56780046291835]
  所望の知識を求めるために,インスタンス条件蒸留フレームワークを提案する。 我々は、観測されたインスタンスを条件情報として使用し、検索プロセスをインスタンス条件の復号プロセスとして定式化する。
  論文  参考訳（メタデータ） (2021-10-25T08:23:29Z)
• Determining Standard Occupational Classification Codes from Job Descriptions in Immigration Petitions [3.749620805613238]
  正しい SOC のコードを決定するには、労働統計局(US Bureau of Labor Statistics)によって与えられた定義と比較される。 我々は自然言語処理(NLP)の手法を適用し、ジョブ記述に基づいてSOCコードを計算的に決定する。
  論文  参考訳（メタデータ） (2021-09-30T20:32:27Z)
• CoSQA: 20,000+ Web Queries for Code Search and Question Answering [63.92224685262063]
  CoSQAデータセットには、自然言語クエリとコードのペア用の20,604ラベルが含まれている。 本稿では,クエリコードマッチングを強化するために,CoCLRと呼ばれる対照的な学習手法を提案する。 我々は,CodeXGLUEを同じCodeBERTモデルで評価し,CoSQAのトレーニングにより,コード質問応答の精度が5.1%向上したことを示す。
  論文  参考訳（メタデータ） (2021-05-27T15:37:21Z)

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。