Fugu-MT 論文翻訳(概要): Unlocking Insights into Business Trajectories with Transformer-based Spatio-temporal Data Analysis

論文の概要: Unlocking Insights into Business Trajectories with Transformer-based Spatio-temporal Data Analysis

arxiv url: http://arxiv.org/abs/2306.10034v1
Date: Wed, 7 Jun 2023 20:19:25 GMT
ステータス: 処理完了
システム内更新日: 2023-06-26 01:49:49.240250
Title: Unlocking Insights into Business Trajectories with Transformer-based Spatio-temporal Data Analysis
Title（参考訳）: 変圧器を用いた時空間データ解析によるビジネス軌道のロック解除
Authors: Muhammad Arslan, Christophe Cruz
Abstract要約: ビジネスの世界は絶えず進化し、カーブに先んじているため、市場の動向とパフォーマンスを深く理解する必要があります。本稿では、ニュース記事データを用いたビジネストラジェクトリのモデル化により、この要件に対処する。
参考スコア（独自算出の注目度）: 0.30458514384586394
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The world of business is constantly evolving and staying ahead of the curve requires a deep understanding of market trends and performance. This article addresses this requirement by modeling business trajectories using news articles data.
Abstract（参考訳）: ビジネスの世界は絶えず進化しており、カーブの前にいるためには、市場のトレンドとパフォーマンスを深く理解する必要がある。本稿では、ニュース記事データを用いたビジネストラジェクトリのモデル化により、この要件に対処する。

関連論文リスト

Data Analysis in the Era of Generative AI [56.44807642944589]
本稿では,AIを活用したデータ分析ツールの可能性について考察する。我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
論文参考訳（メタデータ） (2024-09-27T06:31:03Z)
Bellwether Trades: Characteristics of Trades influential in Predicting Future Price Movements in Markets [0.0]
我々は、重要な情報を含む取引の特徴を特定するために、強力な非線形機械学習手法を活用している。まず、将来の市場の動きを正確に予測する上で、最適化されたニューラルネットワーク予測器の有効性を示す。次に、この成功したニューラルネットワーク予測器から得られる情報を用いて、最適化されたニューラルネットワークの将来の価格変動予測に最も影響した各データポイント(トレーディングウィンドウ)内の個々の取引をピンポイントする。
論文参考訳（メタデータ） (2024-09-08T18:59:52Z)
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)
Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
論文参考訳（メタデータ） (2024-03-21T05:57:27Z)
Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-12-22T02:12:08Z)
A Topical Approach to Capturing Customer Insight In Social Media [0.0]
この研究は、ノイズの多いビッグデータコンテキストにおいて、完全に教師なしのトピック抽出の課題に対処する。本稿では,変分オートエンコーダフレームワーク上に構築した3つのアプローチを提案する。我々のモデルは最先端の手法よりも優れた性能が得られることを示す。
論文参考訳（メタデータ） (2023-07-14T11:15:28Z)
Deep Learning based Forecasting: a case study from the online fashion industry [7.694480564850072]
本稿では,この予測問題に対するデータとモデリング手法の詳細と実験結果について述べる。本稿では,この予測問題に対するデータとモデリング手法の詳細と実験結果について述べる。
論文参考訳（メタデータ） (2023-05-23T13:30:35Z)
EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
論文参考訳（メタデータ） (2023-03-22T06:35:08Z)
Industry Risk Assessment via Hierarchical Financial Data Using Stock Market Sentiment Indicators [0.9463895540925061]
本稿では,実時間株式市場データと生成小言語モデル(SLM)を活用した産業動向の分析手法を提案する。重要な課題の1つは、生データの固有のノイズであり、統計分析の精度を損なう可能性がある。本稿では,業界トレンド分析における二段階的アプローチとして,明示的および暗黙的分析を提案する。
論文参考訳（メタデータ） (2023-03-05T16:17:56Z)
Leveraging Data and Analytics for Digital Business Transformation through DataOps: An Information Processing Perspective [3.114888928234776]
本稿では、情報処理理論(IPT)のレンズを通して、デジタルビジネス変換、データ分析、データOpsを統合するフレームワークを提案する。このフレームワークの詳細は、組織が分析情報のニーズを理解するために、統合的で規律のあるアプローチとしてDataOpsを使用する方法を説明する。
論文参考訳（メタデータ） (2022-01-24T11:49:57Z)
End-to-end Contextual Perception and Prediction with Interaction Transformer [79.14001602890417]
我々は3次元物体の検出と将来の動きを自動運転の文脈で予測する問題に取り組む。空間的・時間的依存関係を捉えるために,新しいトランスフォーマーアーキテクチャを用いたリカレントニューラルネットワークを提案する。私たちのモデルはエンドツーエンドでトレーニングでき、リアルタイムで実行されます。
論文参考訳（メタデータ） (2020-08-13T14:30:12Z)

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。