Fugu-MT 論文翻訳(概要): DoRA: Domain-Based Self-Supervised Learning Framework for Low-Resource Real Estate Appraisal

論文の概要: DoRA: Domain-Based Self-Supervised Learning Framework for Low-Resource Real Estate Appraisal

arxiv url: http://arxiv.org/abs/2309.00855v2
Date: Wed, 6 Sep 2023 06:13:58 GMT
ステータス: 処理完了
システム内更新日: 2023-09-07 11:34:08.959646
Title: DoRA: Domain-Based Self-Supervised Learning Framework for Low-Resource Real Estate Appraisal
Title（参考訳）: DoRA:低リソースリアルタイム評価のためのドメインベース自己監視学習フレームワーク
Authors: Wei-Wei Du, Wei-Yao Wang, Wen-Chih Peng
Abstract要約: 低リソース不動産評価のためのドメインベースの自己教師型学習フレームワークであるDoRAを提案する。 DoRAは、事前のドメイン知識と不動産表現を等価にするためのサンプル内の地理的予測で事前訓練されている。実世界のトランザクションの3つのプロパティタイプに対するベンチマークの結果,DoRAはSSLベースラインを著しく上回る結果となった。
参考スコア（独自算出の注目度）: 15.404630852751547
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The marketplace system connecting demands and supplies has been explored to develop unbiased decision-making in valuing properties. Real estate appraisal serves as one of the high-cost property valuation tasks for financial institutions since it requires domain experts to appraise the estimation based on the corresponding knowledge and the judgment of the market. Existing automated valuation models reducing the subjectivity of domain experts require a large number of transactions for effective evaluation, which is predominantly limited to not only the labeling efforts of transactions but also the generalizability of new developing and rural areas. To learn representations from unlabeled real estate sets, existing self-supervised learning (SSL) for tabular data neglects various important features, and fails to incorporate domain knowledge. In this paper, we propose DoRA, a Domain-based self-supervised learning framework for low-resource Real estate Appraisal. DoRA is pre-trained with an intra-sample geographic prediction as the pretext task based on the metadata of the real estate for equipping the real estate representations with prior domain knowledge. Furthermore, inter-sample contrastive learning is employed to generalize the representations to be robust for limited transactions of downstream tasks. Our benchmark results on three property types of real-world transactions show that DoRA significantly outperforms the SSL baselines for tabular data, the graph-based methods, and the supervised approaches in the few-shot scenarios by at least 7.6% for MAPE, 11.59% for MAE, and 3.34% for HR10%. We expect DoRA to be useful to other financial practitioners with similar marketplace applications who need general models for properties that are newly built and have limited records. The source code is available at https://github.com/wwweiwei/DoRA.
Abstract（参考訳）: 需要と供給をつなぐ市場システムは、資産評価において不偏の意思決定を開発するために検討されてきた。不動産評価は、対応する知識と市場の判断に基づいて見積をドメインの専門家が評価する必要があるため、金融機関の高コスト資産評価タスクの1つとなっている。ドメインエキスパートの主体性を減らす既存の自動評価モデルは、効果的な評価のために多くのトランザクションを必要としており、トランザクションのラベリング努力だけでなく、新しい発展途上国や農村地域の一般化可能性にも制限されている。ラベルなしの不動産集合から表現を学習するために、表形式のデータのための既存の自己教師付き学習(SSL)は、様々な重要な特徴を無視し、ドメイン知識を組み込むことができない。本稿では,低リソース不動産評価のためのドメインベースの自己教師型学習フレームワークDoRAを提案する。 DoRAは、事前のドメイン知識に不動産表現を組み込むための不動産のメタデータに基づいて、プリテキストタスクとしてサンプル内地理的予測を事前訓練する。さらに、サンプル間コントラスト学習を用いて、下流タスクの限定的なトランザクションに対して堅牢な表現を一般化する。実世界の取引の3つのプロパティタイプに関するベンチマークの結果から,DoRAは表データ,グラフベースの手法,および教師付きアプローチにおいて,MAPEの少なくとも7.6%,MAEの11.59%,HR10%の3.34%でSSLベースラインを大幅に上回ることがわかった。我々は、DoRAが新規に構築され、限られた記録を持つプロパティの汎用モデルを必要とする、類似の市場アプリケーションを持つ他の金融実践者にとって有用であることを期待している。ソースコードはhttps://github.com/wwweiwei/doraで入手できる。

関連論文リスト

Learning to Discover Knowledge: A Weakly-Supervised Partial Domain Adaptation Approach [20.899013563493202]
ドメイン適応は、リッチアノテーションでソースドメインからの知識を活用することで、魅力的なパフォーマンスを示している。特定の目標タスクに対して、関連するおよび高品質なソースドメインを収集するのは煩雑である。本稿では、自己ペースト転送分類器学習(SP-TCL)と呼ばれる、単純で効果的なドメイン適応手法を提案する。
論文参考訳（メタデータ） (2024-06-20T12:54:07Z)
Real Estate Property Valuation using Self-Supervised Vision Transformers [2.1320960069210475]
本稿では,自己監督型視覚変換器を用いたプロパティ評価手法を提案する。提案アルゴリズムは、機械学習、コンピュータビジョン、および不動産データに基づいてトレーニングされたヘドニック価格モデルの組み合わせを用いている。
論文参考訳（メタデータ） (2023-01-31T21:54:15Z)
Look Around! A Neighbor Relation Graph Learning Framework for Real Estate Appraisal [6.14249607864916]
本稿では,不動産評価のための新しい近隣関係グラフ学習フレームワーク(ReGram)を提案する。 ReGramは、アテンションメカニズムにより、ターゲットトランザクションと周辺地域の関係を組み込む。さまざまなシナリオによる実世界のデータセットの実験では、ReGramが最先端の手法をしっかりと上回っていることが示されている。
論文参考訳（メタデータ） (2022-12-23T08:20:19Z)
Fair Classification via Domain Adaptation: A Dual Adversarial Learning Approach [14.344142985726853]
公平な分類のための領域適応を探求する新しい問題について検討する。対象ドメインの公平な分類のために、ソースドメインからセンシティブな属性を適応させる新しいフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-08T02:53:18Z)
MugRep: A Multi-Task Hierarchical Graph Representation Learning Framework for Real Estate Appraisal [57.28018917017665]
正確な不動産評価のためのマルチタスク階層グラフ表現学習(MugRep)フレームワークを提案する。複数の都市データを取得し統合することにより、まず、複数の視点から不動産を包括的にプロファイルするリッチな特徴セットを構築する。進化する不動産取引グラフとそれに対応するイベントグラフ畳み込みモジュールが提案され、不動産取引に非同期に時間的依存関係を組み込む。
論文参考訳（メタデータ） (2021-07-12T03:51:44Z)
Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-03-25T14:33:33Z)
Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
論文参考訳（メタデータ） (2020-12-14T07:28:50Z)
Active Feature Acquisition with Generative Surrogate Models [11.655069211977464]
本研究では,アクティブ機能獲得(AFA)を行うモデルについて検討し,未観測機能に対する環境問合せを行う。我々の研究は、AFA問題を生成的モデリングタスクとして根底にあるマルコフ決定プロセス(MDP)を再構築する。本稿では,入力特徴間の依存関係を捕捉し,取得から得られる潜在的な情報を評価する生成代理モデル(GSM)の学習を提案する。
論文参考訳（メタデータ） (2020-10-06T02:10:06Z)
Lifelong Property Price Prediction: A Case Study for the Toronto Real Estate Market [75.28009817291752]
自動資産評価のための最初の寿命予測モデルであるLuceを提示する。ルースは不動産価格の2つの重要な問題に対処している。トロント不動産市場から得られた大規模な実生活データセットにLuceを適用することで,Luceのメリットを実証する。
論文参考訳（メタデータ） (2020-08-12T07:32:16Z)
Towards Inheritable Models for Open-Set Domain Adaptation [56.930641754944915]
本稿では、将来、ソースデータセットが存在しない場合の適応を容易にするために、ソース学習モデルを用いた実用的なドメイン適応パラダイムを提案する。本稿では,ソースデータがない場合でも,対象領域に対して最適なソースモデルの選択を可能にするために,継承可能性の定量化を目的とする手法を提案する。
論文参考訳（メタデータ） (2020-04-09T07:16:30Z)
Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
論文参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。