Fugu-MT 論文翻訳(概要): Hedonic Prices and Quality Adjusted Price Indices Powered by AI

論文の概要: Hedonic Prices and Quality Adjusted Price Indices Powered by AI

arxiv url: http://arxiv.org/abs/2305.00044v1
Date: Fri, 28 Apr 2023 18:37:59 GMT
ステータス: 処理完了
システム内更新日: 2023-05-02 17:38:57.295704
Title: Hedonic Prices and Quality Adjusted Price Indices Powered by AI
Title（参考訳）: aiを利用したヘドニック価格と品質調整価格指数
Authors: Patrick Bajari, Zhihao Cen, Victor Chernozhukov, Manoj Manukonda, Suhas Vijaykunar, Jin Wang, Ramon Huerta, Junbo Li, Ling Leng, George Monokroussos, and Shan Wan
Abstract要約: 我々は、大量の非構造化製品データを処理する経験的ヘドニックモデルを開発する。我々は正確なヘドニック価格推定と導出指標を生成する。我々は、AIベースのヘドニックフィッシャー価格指数を構築し、年々の頻度でチェーンする。
参考スコア（独自算出の注目度）: 4.125713429211907
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate, real-time measurements of price index changes using electronic records are essential for tracking inflation and productivity in today's economic environment. We develop empirical hedonic models that can process large amounts of unstructured product data (text, images, prices, quantities) and output accurate hedonic price estimates and derived indices. To accomplish this, we generate abstract product attributes, or ``features,'' from text descriptions and images using deep neural networks, and then use these attributes to estimate the hedonic price function. Specifically, we convert textual information about the product to numeric features using large language models based on transformers, trained or fine-tuned using product descriptions, and convert the product image to numeric features using a residual network model. To produce the estimated hedonic price function, we again use a multi-task neural network trained to predict a product's price in all time periods simultaneously. To demonstrate the performance of this approach, we apply the models to Amazon's data for first-party apparel sales and estimate hedonic prices. The resulting models have high predictive accuracy, with $R^2$ ranging from $80\%$ to $90\%$. Finally, we construct the AI-based hedonic Fisher price index, chained at the year-over-year frequency. We contrast the index with the CPI and other electronic indices.
Abstract（参考訳）: 電子記録を用いた価格指数の変化の正確なリアルタイム測定は、今日の経済環境におけるインフレと生産性の追跡に不可欠である。我々は、大量の非構造化製品データ(テキスト、画像、価格、量)を処理し、正確なヘドニック価格推定と導出指標を出力できる経験的ヘドニックモデルを開発する。これを達成するために、深層ニューラルネットワークを用いてテキスト記述と画像から抽象的製品属性(`features'')を生成し、それらの属性を用いてヘドニックプライス関数を推定する。具体的には、変換器をベースとした大規模言語モデルを用いて、製品に関するテキスト情報を数値化し、製品記述を用いて訓練または微調整を行い、残余ネットワークモデルを用いて製品イメージを数値化する。推定ヘドニック価格関数を生成するために、我々は再び、製品の価格を常に同時に予測するように訓練されたマルチタスクニューラルネットワークを使用する。このアプローチのパフォーマンスを示すために、amazonのデータにモデルを適用し、ファーストパーティアパレルの販売とヘドニック価格の推定を行う。得られたモデルは予測精度が高く、$R^2$は$80\%$から$90\%$の範囲である。最後に,aiベースのヘドニックフィッシャー価格指数を,年々の頻度で連鎖的に構築する。我々は、指標をCPIや他の電子指標と対比する。

関連論文リスト

A Study on Stock Forecasting Using Deep Learning and Statistical Models [3.437407981636465]
本稿では、株価予測のための多くのディープラーニングアルゴリズムを概説し、トレーニングとテストにs&p500インデックスデータを用いた。自動回帰積分移動平均モデル、リカレントニューラルネットワークモデル、長い短期モデル、畳み込みニューラルネットワークモデル、完全な畳み込みニューラルネットワークモデルなど、さまざまなモデルについて議論する。
論文参考訳（メタデータ） (2024-02-08T16:45:01Z)
Natural Language Processing and Multimodal Stock Price Prediction [0.8702432681310401]
本稿では,従来の生通貨価値の活用とは対照的に,株価変動をトレーニングデータとして活用する。パーセンテージの変化の選択は、価格変動の重要性に関する文脈をモデルに提供することを目的としている。この研究は、株価トレンドを予測するために、特別なBERT自然言語処理モデルを用いている。
論文参考訳（メタデータ） (2024-01-03T01:21:30Z)
JPAVE: A Generation and Classification-based Model for Joint Product Attribute Prediction and Value Extraction [59.94977231327573]
JPAVEと呼ばれる値生成/分類と属性予測を備えたマルチタスク学習モデルを提案する。我々のモデルの2つの変種は、オープンワールドとクローズドワールドのシナリオのために設計されている。公開データセットにおける実験結果は,強いベースラインと比較して,我々のモデルが優れていることを示す。
論文参考訳（メタデータ） (2023-11-07T18:36:16Z)
Post-training Model Quantization Using GANs for Synthetic Data Generation [57.40733249681334]
量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
論文参考訳（メタデータ） (2023-05-10T11:10:09Z)
Datamodels: Predicting Predictions from Training Data [86.66720175866415]
本稿では,モデルクラスの振る舞いを学習データの観点から分析するための概念的枠組みであるデータモデリングについて述べる。単純な線形データモデルであっても、モデル出力をうまく予測できることが示される。
論文参考訳（メタデータ） (2022-02-01T18:15:24Z)
A Comprehensive Study of Image Classification Model Sensitivity to Foregrounds, Backgrounds, and Visual Attributes [58.633364000258645]
このデータセットをRIVAL10と呼びます。本研究では,前景,背景,属性の騒音劣化に対する幅広いモデルの感度を評価する。本稿では,多種多様な最先端アーキテクチャ (ResNets, Transformers) とトレーニング手順 (CLIP, SimCLR, DeiT, Adversarial Training) について考察する。
論文参考訳（メタデータ） (2022-01-26T06:31:28Z)
Neural Capacitance: A New Perspective of Neural Network Selection via Edge Dynamics [85.31710759801705]
現在の実践は、性能予測のためのモデルトレーニングにおいて高価な計算コストを必要とする。本稿では,学習中のシナプス接続(エッジ)上の制御ダイナミクスを解析し,ニューラルネットワーク選択のための新しいフレームワークを提案する。我々のフレームワークは、ニューラルネットワークトレーニング中のバックプロパゲーションがシナプス接続の動的進化と等価であるという事実に基づいて構築されている。
論文参考訳（メタデータ） (2022-01-11T20:53:15Z)
Dynamic Pricing and Demand Learning on a Large Network of Products: A PAC-Bayesian Approach [8.927163098772589]
我々は、時間帯に$T$の商品ネットワークを提供する売り手について検討している。売り手は製品の線形需要モデルのパラメータを知らない。本研究では,不確実性に対する楽観主義とPAC-Bayesianを併用した動的価格・学習政策を提案する。
論文参考訳（メタデータ） (2021-11-01T09:37:36Z)
PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
論文参考訳（メタデータ） (2021-05-04T15:23:59Z)
A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models [0.0]
我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
論文参考訳（メタデータ） (2020-04-17T19:41:22Z)
Stock Price Prediction Using Convolutional Neural Networks on a Multivariate Timeseries [0.0]
機械学習アプローチを使用して様々な予測モデルを構築し、そのモデルを使用して、2019年のNIFTY 50のクローズバリューを予測する。 NIFTY指数運動パターンの予測には,多くの分類法を用い,NIFTY指数の実際の閉値の予測には様々な回帰モデルを構築した。我々は、予測に使用する変数の数が異なる3つのアプローチを用いて、将来のNIFTY指数値を予測する際のCNNの力を利用する。
論文参考訳（メタデータ） (2020-01-10T03:27:08Z)

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。