Fugu-MT 論文翻訳(概要): ST-RAP: A Spatio-Temporal Framework for Real Estate Appraisal

論文の概要: ST-RAP: A Spatio-Temporal Framework for Real Estate Appraisal

arxiv url: http://arxiv.org/abs/2308.10609v1
Date: Mon, 21 Aug 2023 10:18:26 GMT
ステータス: 処理完了
システム内更新日: 2023-08-22 13:56:51.841161
Title: ST-RAP: A Spatio-Temporal Framework for Real Estate Appraisal
Title（参考訳）: ST-RAP: 不動産評価のための時空間分散フレームワーク
Authors: Hojoon Lee, Hawon Jeong, Byungkun Lee, Kyungyup Lee, Jaegul Choo
Abstract要約: 本稿では,不動産アプライサルのための新しい時空間フレームワークST-RAPを紹介する。大規模な不動産データセットに関する包括的な実験を通じて、ST-RAPは従来の手法より優れている。
参考スコア（独自算出の注目度）: 31.762446614416394
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we introduce ST-RAP, a novel Spatio-Temporal framework for Real estate APpraisal. ST-RAP employs a hierarchical architecture with a heterogeneous graph neural network to encapsulate temporal dynamics and spatial relationships simultaneously. Through comprehensive experiments on a large-scale real estate dataset, ST-RAP outperforms previous methods, demonstrating the significant benefits of integrating spatial and temporal aspects in real estate appraisal. Our code and dataset are available at https://github.com/dojeon-ai/STRAP.
Abstract（参考訳）: 本稿では,不動産アプライサルのための新しい時空間フレームワークST-RAPを紹介する。 ST-RAPは、時間的ダイナミクスと空間的関係を同時にカプセル化するヘテロジニアスグラフニューラルネットワークを備えた階層アーキテクチャを用いる。大規模な不動産データセットに関する総合的な実験を通じて、ST-RAPは従来の手法よりも優れており、不動産評価における空間的側面と時間的側面を統合するという大きな利点を示している。私たちのコードとデータセットはhttps://github.com/dojeon-ai/strapで利用可能です。

関連論文リスト

STD-PLM: Understanding Both Spatial and Temporal Properties of Spatial-Temporal Data with PLM [18.56267873980915]
STD-PLMは時空間予測と計算処理の両方を実装できる。 STD-PLMは、明示的に設計された空間的および時間的トークン化器を通して空間的時間的相関を理解する。 STD-PLMは予測タスクと計算タスクの競合性能と一般化能力を示す。
論文参考訳（メタデータ） (2024-07-12T08:48:16Z)
SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文参考訳（メタデータ） (2024-05-29T08:00:15Z)
LaT-PFN: A Joint Embedding Predictive Architecture for In-context Time-series Forecasting [0.0]
我々は,ゼロショット予測を可能にする強力な埋め込み空間を持つ基本時系列モデルであるLatntTimePFNを紹介する。我々は、PFNとJEPA(Joint Embedding Predictive Architecture)フレームワークの新たな統合を利用して、潜在空間におけるコンテキスト内学習を行う。
論文参考訳（メタデータ） (2024-05-16T13:44:56Z)
GATGPT: A Pre-trained Large Language Model with Graph Attention Network for Spatiotemporal Imputation [19.371155159744934]
実世界の環境では、センサーの故障やデータ転送エラーなどの問題により、そのようなデータには欠落する要素がしばしば含まれる。時間的計算の目的は、観測された時系列における固有の空間的および時間的関係を理解することによって、これらの欠落値を推定することである。伝統的に、複雑な時間的計算は特定のアーキテクチャに依存しており、適用可能性の制限と高い計算複雑性に悩まされている。対照的に、我々のアプローチは、事前訓練された大規模言語モデル(LLM)を複雑な時間的インプットに統合し、画期的なフレームワークであるGATGPTを導入している。
論文参考訳（メタデータ） (2023-11-24T08:15:11Z)
ST-MLP: A Cascaded Spatio-Temporal Linear Framework with Channel-Independence Strategy for Traffic Forecasting [47.74479442786052]
時空間グラフニューラルネットワーク(STGNN)に関する現在の研究は、しばしば複雑な設計を優先し、精度をわずかに向上させるだけで計算負荷を発生させる。マルチ層パーセプトロン(MLP)モジュールと線形層のみをベースとした,簡潔な時空間モデルST-MLPを提案する。実験の結果,ST-MLPは最先端STGNNと他のモデルよりも精度と計算効率の点で優れていた。
論文参考訳（メタデータ） (2023-08-14T23:34:59Z)
OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文参考訳（メタデータ） (2023-06-20T03:02:14Z)
Where and How to Improve Graph-based Spatio-temporal Predictors [19.407150082045636]
本稿では、予測モデルの最適性とフレーム分析を評価するために、AZ時相と呼ばれる新しい残差相関解析を提案する。提案したAZ分析は, モデルの改良が可能な時空領域を発見する上で, 有用な資産である。
論文参考訳（メタデータ） (2023-02-03T12:55:08Z)
Deep Geospatial Interpolation Networks [15.942343748489376]
我々はDGIN(Deep Geospatial Interpolation Network)と呼ばれる新しいディープニューラルネットワークを提案する。 DGINは空間的および時間的関係を持ち、トレーニング時間を大幅に短縮する。 2つの異なる領域からMODISデータセット上でDGINを評価する。
論文参考訳（メタデータ） (2021-08-15T06:57:36Z)
Spatio-Temporal Graph Scattering Transform [54.52797775999124]
グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
論文参考訳（メタデータ） (2020-12-06T19:49:55Z)
Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。