論文の概要: A Marketplace Price Anomaly Detection System at Scale
- arxiv url: http://arxiv.org/abs/2310.04367v2
- Date: Mon, 9 Oct 2023 17:06:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 18:40:10.861831
- Title: A Marketplace Price Anomaly Detection System at Scale
- Title(参考訳): 大規模市場価格異常検出システム
- Authors: Akshit Sarpal, Qiwen Kang, Fangping Huang, Yang Song, Lijie Wan
- Abstract要約: MoatPlusは、成長するマーケットプレースプラットフォームのためのスケーラブルな価格異常検出フレームワークである。
価格に基づく機能の不規則を検出するために、モデルのアンサンブルを構築します。
提案手法は, 高精度アンカーカバレッジを最大46.6%向上させる。
- 参考スコア(独自算出の注目度): 3.8632181427836945
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Online marketplaces execute large volume of price updates that are initiated
by individual marketplace sellers each day on the platform. This price
democratization comes with increasing challenges with data quality. Lack of
centralized guardrails that are available for a traditional online retailer
causes a higher likelihood for inaccurate prices to get published on the
website, leading to poor customer experience and potential for revenue loss. We
present MoatPlus (Masked Optimal Anchors using Trees, Proximity-based Labeling
and Unsupervised Statistical-features), a scalable price anomaly detection
framework for a growing marketplace platform. The goal is to leverage proximity
and historical price trends from unsupervised statistical features to generate
an upper price bound. We build an ensemble of models to detect irregularities
in price-based features, exclude irregular features and use optimized weighting
scheme to build a reliable price bound in real-time pricing pipeline. We
observed that our approach improves precise anchor coverage by up to 46.6% in
high-vulnerability item subsets
- Abstract(参考訳): オンラインマーケットプレイスは、プラットフォーム上で毎日個々のマーケットプレイス販売者が開始する大量の価格更新を実行する。
この価格の民主化は、データ品質に関する課題の増加を伴う。
従来のオンライン小売業者が利用できる集中型ガードレールの欠如は、不正確な価格がウェブサイトに掲載される可能性が高く、顧客体験の貧弱さと収益損失の可能性をもたらす。
我々はmoatplus (maked optimal anchors using trees, near-based labeling and unsupervised statistical-features) というマーケットプレースプラットフォーム向けのスケーラブルな価格異常検出フレームワークを提案する。
目標は、教師なしの統計的特徴から近接性と歴史的価格トレンドを活用して、上限価格を発生させることである。
我々は価格ベースの機能の不規則性を検出し、不規則な機能を排除し、リアルタイム価格パイプラインに縛られた信頼性の高い価格を構築するために最適化された重み付けスキームを使用するモデルを構築します。
提案手法により, 高精度アンカーカバレッジを46.6%向上させることができた。
関連論文リスト
- Dynamic Pricing and Learning with Long-term Reference Effects [18.988640613396118]
本研究では,販売者が提示した過去の価格の基準価格が平均値となる,シンプルで斬新な参照価格メカニズムについて検討する。
このメカニズムの下では,モデルパラメータに関係なく,マークダウンポリシがほぼ最適であることを示す。
次に、需要モデルパラメータが不明な、より困難な動的価格と学習の問題について検討する。
論文 参考訳(メタデータ) (2024-02-19T21:36:54Z) - Utilizing Model Residuals to Identify Rental Properties of Interest: The
Price Anomaly Score (PAS) and Its Application to Real-time Data in Manhattan [0.0]
2023年9月現在、マンハッタンで利用可能なすべての不動産のデータを収集し、モデル残高の理解を深めることを目的としている。
これらの知見を活用するために、不規則に予測される価格のバウンダリを捕捉できる指標であるPrice Anomaly Score(PAS)を導入する。
論文 参考訳(メタデータ) (2023-11-29T00:14:30Z) - Blink: Link Local Differential Privacy in Graph Neural Networks via
Bayesian Estimation [79.64626707978418]
分散ノード上でのリンクローカル差分プライバシーを用いてグラフニューラルネットワークをトレーニングする。
当社のアプローチでは、グラフトポロジをより悪用するために、グラフのリンクと学位を別々に、プライバシ予算に費やしています。
当社のアプローチは、様々なプライバシー予算の下での精度において、既存の手法よりも優れています。
論文 参考訳(メタデータ) (2023-09-06T17:53:31Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-18T16:21:15Z) - Augmented Bilinear Network for Incremental Multi-Stock Time-Series
Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。
本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。
この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文 参考訳(メタデータ) (2022-07-23T18:54:10Z) - VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。
具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。
当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
論文 参考訳(メタデータ) (2022-05-31T17:45:30Z) - Online Learning in Fisher Markets with Unknown Agent Preferences [12.06012129084933]
フィッシャー市場では、エージェント(利用者)は、公共事業を最大化する商品を購入するために(人工的な)通貨の予算を使う。
我々は,ユーザのプライバシを保ちながら,後悔とキャパシティ違反を犯すような,シンプルで効果的なアルゴリズムを開発した。
論文 参考訳(メタデータ) (2022-04-27T05:03:45Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - Distribution-free Contextual Dynamic Pricing [5.773269033551628]
コンテキスト動的価格設定は、顧客との逐次的なインタラクションに基づいてパーソナライズされた価格を設定することを目的としている。
本稿では,未知のランダムノイズを伴う文脈的動的価格を評価モデルで検討する。
我々の流通自由価格政策は、コンテキスト関数と市場ノイズの両方を同時に学習する。
論文 参考訳(メタデータ) (2021-09-15T14:52:44Z) - RobustBench: a standardized adversarial robustness benchmark [84.50044645539305]
ロバストネスのベンチマークにおける主な課題は、その評価がしばしばエラーを起こし、ロバストネス過大評価につながることである。
我々は,白箱攻撃と黒箱攻撃のアンサンブルであるAutoAttackを用いて,敵対的ロバスト性を評価する。
分散シフト,キャリブレーション,アウト・オブ・ディストリビューション検出,フェアネス,プライバシリーク,スムースネス,転送性に対するロバスト性の影響を解析した。
論文 参考訳(メタデータ) (2020-10-19T17:06:18Z) - Online Regularization towards Always-Valid High-Dimensional Dynamic
Pricing [19.11333865618553]
本稿では,動的価格ポリシーに基づくオンライン統計学習を理論的保証付きで設計するための新しい手法を提案する。
提案手法は,提案する楽観的オンライン定期化最大価格(OORMLP)に3つの大きな利点がある。
理論的には,提案したOORMLPアルゴリズムは高次元モデルの空間構造を利用し,決定の地平線における対数的後悔を保証する。
論文 参考訳(メタデータ) (2020-07-05T23:52:09Z)
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。