論文の概要: A Dataset for Learning Graph Representations to Predict Customer Returns in Fashion Retail

• arxiv url: http://arxiv.org/abs/2302.14096v1
• Date: Mon, 27 Feb 2023 19:14:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-01 19:09:05.136442
• Title: A Dataset for Learning Graph Representations to Predict Customer Returns in Fashion Retail
• Title（参考訳）: ファッションリテールにおける顧客収益予測のためのグラフ表現学習データセット
• Authors: Jamie McGowan, Elizabeth Guest, Ziyang Yan, Cong Zheng, Neha Patel, Mason Cusack, Charlie Donaldson, Sofie de Cnudde, Gabriel Facini and Fabon Dzogang
• Abstract要約: 本稿では、ファッション小売エコシステムにおける顧客のリターンを予測するという課題に対処するため、ASOSが収集した新しいデータセットを提案する。 まず、グラフ表現学習の応用に焦点をあてて、このデータセットの構造について検討する。 本稿では,ベースラインモデルとグラフ表現に基づくモデルの選択による回帰予測分類タスクの例を示す。
• 参考スコア（独自算出の注目度）: 0.243788455857269
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel dataset collected by ASOS (a major online fashion retailer) to address the challenge of predicting customer returns in a fashion retail ecosystem. With the release of this substantial dataset we hope to motivate further collaboration between research communities and the fashion industry. We first explore the structure of this dataset with a focus on the application of Graph Representation Learning in order to exploit the natural data structure and provide statistical insights into particular features within the data. In addition to this, we show examples of a return prediction classification task with a selection of baseline models (i.e. with no intermediate representation learning step) and a graph representation based model. We show that in a downstream return prediction classification task, an F1-score of 0.792 can be found using a Graph Neural Network (GNN), improving upon other models discussed in this work. Alongside this increased F1-score, we also present a lower cross-entropy loss by recasting the data into a graph structure, indicating more robust predictions from a GNN based solution. These results provide evidence that GNNs could provide more impactful and usable classifications than other baseline models on the presented dataset and with this motivation, we hope to encourage further research into graph-based approaches using the ASOS GraphReturns dataset.
• Abstract（参考訳）: 我々は、ファッション小売エコシステムにおける顧客収益予測の課題に対処するため、asos(大手オンラインファッション小売業者)が収集した新しいデータセットを提案する。 この膨大なデータセットのリリースにより、研究コミュニティとファッション産業の間のさらなるコラボレーションを動機付けたいと思っています。 まず,自然データ構造を活用し,データ内の特定の特徴に関する統計的洞察を提供するために,グラフ表現学習の適用に焦点をあてて,このデータセットの構造を探索する。 これに加えて、ベースラインモデル(つまり、中間表現学習ステップのない)とグラフ表現に基づくモデルを選択する回帰予測分類タスクの例を示す。 下流回帰予測分類タスクでは、グラフニューラルネットワーク(GNN)を用いてF1スコアの0.792が検出され、この研究で議論された他のモデルよりも改善されていることを示す。 この増大したf1-scoreと共に、データをグラフ構造に再キャストすることで、より低いクロスエントロピー損失を示し、gnnベースのソリューションからより堅牢な予測を示す。 これらの結果は、GNNが提示されたデータセット上の他のベースラインモデルよりも、より影響があり、使用可能な分類を提供することができることを示すものであり、このモチベーションにより、ASOS GraphReturnsデータセットを用いたグラフベースのアプローチのさらなる研究を奨励したいと考えています。

関連論文リスト

• TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning [7.879217146851148]
  本稿では,Top-mアテンション機構アグリゲーションコンポーネントと近傍アグリゲーションコンポーネントを統合した,革新的なグラフニューラルネットワーク(GNN)アーキテクチャを提案する。 提案手法の有効性を評価するため,提案手法をGNN分野において未探索の新たな課題である引用感情予測に適用した。
  論文  参考訳（メタデータ） (2024-11-23T05:31:25Z)
• Novel Representation Learning Technique using Graphs for Performance Analytics [0.0]
  本稿では,グラフニューラルネットワーク(GNN)技術の進歩を活用するために,パフォーマンスデータをグラフに変換する新しいアイデアを提案する。 ソーシャルネットワークのような他の機械学習アプリケーションドメインとは対照的に、グラフは提供されない。 我々は,GNNから生成された埋め込みの有効性を,単純なフィードフォワードニューラルネットワークによる回帰処理の性能評価に基づいて評価した。
  論文  参考訳（メタデータ） (2024-01-19T16:34:37Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
  まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。 DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
  論文  参考訳（メタデータ） (2022-02-16T18:30:33Z)
• Towards a Taxonomy of Graph Learning Datasets [10.151886932716518]
  グラフニューラルネットワーク(GNN)は、基礎となるデータの固有のジオメトリを活用する能力によって、多くの注目を集めている。 本稿では,グラフ摂動の集合を慎重に設計することで,グラフベンチマークデータセットを分類する手法を提案する。 データ駆動によるグラフデータセットの分類は、重要なデータセット特性の新たな理解を提供する。
  論文  参考訳（メタデータ） (2021-10-27T23:08:01Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)

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。