論文の概要: Multimodal Temporal Fusion Transformers Are Good Product Demand
Forecasters
- arxiv url: http://arxiv.org/abs/2307.02578v1
- Date: Wed, 5 Jul 2023 18:23:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-07 16:24:51.091349
- Title: Multimodal Temporal Fusion Transformers Are Good Product Demand
Forecasters
- Title(参考訳): マルチモーダル・テンポラル・フュージョン変換器は需要予測に優れている
- Authors: Maarten Sukel, Stevan Rudinac, Marcel Worring
- Abstract要約: マルチモーダル需要予測は, 視覚情報, テキスト情報, コンテキスト情報を用いた製品需要予測を目的とした。
本稿では,畳み込み,グラフベース,トランスフォーマーベースのアーキテクチャを用いたマルチモーダル製品需要予測手法を提案する。
- 参考スコア(独自算出の注目度): 18.52252059555198
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal demand forecasting aims at predicting product demand utilizing
visual, textual, and contextual information. This paper proposes a method for
multimodal product demand forecasting using convolutional, graph-based, and
transformer-based architectures. Traditional approaches to demand forecasting
rely on historical demand, product categories, and additional contextual
information such as seasonality and events. However, these approaches have
several shortcomings, such as the cold start problem making it difficult to
predict product demand until sufficient historical data is available for a
particular product, and their inability to properly deal with category
dynamics. By incorporating multimodal information, such as product images and
textual descriptions, our architecture aims to address the shortcomings of
traditional approaches and outperform them. The experiments conducted on a
large real-world dataset show that the proposed approach effectively predicts
demand for a wide range of products. The multimodal pipeline presented in this
work enhances the accuracy and reliability of the predictions, demonstrating
the potential of leveraging multimodal information in product demand
forecasting.
- Abstract(参考訳): マルチモーダル需要予測は, 視覚情報, テキスト情報, コンテキスト情報を用いた製品需要予測を目的とした。
本稿では,畳み込み,グラフベース,トランスベースアーキテクチャを用いたマルチモーダル製品需要予測手法を提案する。
需要予測の伝統的なアプローチは、過去の需要、製品カテゴリ、季節やイベントなどの追加のコンテキスト情報に依存する。
しかし、これらのアプローチにはいくつかの欠点があり、例えばコールドスタート問題により、特定の製品で十分な履歴データが手に入るまで製品需要を予測することが難しくなり、カテゴリーのダイナミクスを適切に扱うことができない。
製品イメージやテキスト記述といったマルチモーダルな情報を取り入れることで,従来のアプローチの欠点に対処し,それを上回ることを目指しています。
大規模実世界のデータセットで実施した実験は,提案手法が幅広い製品に対する需要を効果的に予測することを示している。
本研究で提示されたマルチモーダルパイプラインは,予測の精度と信頼性を高め,製品需要予測におけるマルチモーダル情報活用の可能性を示す。
関連論文リスト
- Incorporating Pre-trained Model Prompting in Multimodal Stock Volume
Movement Prediction [22.949484374773967]
本稿では,PromptをベースとしたMUltimodal Stock volumE予測モデル(ProMUSE)を提案する。
金融ニュースの理解を深めるために、事前訓練された言語モデルを使用します。
また, この問題を緩和するため, 核融合ヘッドの横にある一方向の頭部を保ちながら, 新たな異方性コントラストアライメントを提案する。
論文 参考訳(メタデータ) (2023-09-11T16:47:01Z) - 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) - 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) - 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) - Well Googled is Half Done: Multimodal Forecasting of New Fashion Product
Sales with Image-based Google Trends [13.873453929997776]
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。
論文 参考訳(メタデータ) (2021-09-20T20:15:08Z) - Product1M: Towards Weakly Supervised Instance-Level Product Retrieval
via Cross-modal Pretraining [108.86502855439774]
弱教師付きマルチモーダル・インスタンスレベルの製品検索を目的とした,より現実的な設定について検討する。
実世界のインスタンスレベルの検索において,最も大規模なマルチモーダル化粧品データセットであるProduct1Mをコントリビュートする。
ケースレベルの予測検索(CAPTURE)のためのクロスモーダル・コントラサシブ・プロダクト・トランスフォーマーという新しいモデルを提案する。
論文 参考訳(メタデータ) (2021-07-30T12:11:24Z) - 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) - Pre-training Graph Transformer with Multimodal Side Information for
Recommendation [82.4194024706817]
本稿では,項目側情報とその関連性を考慮した事前学習戦略を提案する。
我々はMCNSamplingという新しいサンプリングアルゴリズムを開発し、各項目のコンテキスト近傍を選択する。
The proposed Pre-trained Multimodal Graph Transformer (PMGT) learns item representations with two objectives: 1) graph structure reconstruction, 2) masked node feature reconstruction。
論文 参考訳(メタデータ) (2020-10-23T10:30:24Z) - Relating by Contrasting: A Data-efficient Framework for Multimodal
Generative Models [86.9292779620645]
生成モデル学習のための対照的なフレームワークを開発し、モダリティ間の共通性だけでなく、「関連」と「関連しない」マルチモーダルデータの区別によってモデルを訓練することができる。
提案手法では, 生成モデルを用いて, 関係のないサンプルから関連サンプルを正確に識別し, ラベルのない多モードデータの利用が可能となる。
論文 参考訳(メタデータ) (2020-07-02T15:08:11Z) - A Multi-Phase Approach for Product Hierarchy Forecasting in Supply Chain
Management: Application to MonarchFx Inc [9.290757451344673]
本稿では,階層的サプライチェーンの予測を改善するために,新しい多相階層型アプローチを提案する。
提案手法を用いた予測精度は82-90%向上した。
論文 参考訳(メタデータ) (2020-06-16T05:26:11Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。