論文の概要: Unveiling the Power of Self-Attention for Shipping Cost Prediction: The
Rate Card Transformer
- arxiv url: http://arxiv.org/abs/2311.11694v1
- Date: Mon, 20 Nov 2023 11:48:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-21 19:04:41.450844
- Title: Unveiling the Power of Self-Attention for Shipping Cost Prediction: The
Rate Card Transformer
- Title(参考訳): 運送コスト予測のための自己注意力の解放:利率カード変圧器
- Authors: P Aditya Sreekar, Sahil Verma, Varun Madhavan, Abhishek Persad
- Abstract要約: 0日目の出荷コストを見積もる現在のソリューションは、広範囲な手作業による作業を必要とするツリーベースのモデルに依存している。
本研究では,パッケージの出荷情報すべてを自己注意でエンコードするRate Card Transformer (RCT) という新しいアーキテクチャを提案する。
以上の結果から,RCTによるコスト予測はGBDTモデルに比べて28.82%誤差が小さいことがわかった。
- 参考スコア(独自算出の注目度): 2.5398014196797614
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Amazon ships billions of packages to its customers annually within the United
States. Shipping cost of these packages are used on the day of shipping (day 0)
to estimate profitability of sales. Downstream systems utilize these days 0
profitability estimates to make financial decisions, such as pricing strategies
and delisting loss-making products. However, obtaining accurate shipping cost
estimates on day 0 is complex for reasons like delay in carrier invoicing or
fixed cost components getting recorded at monthly cadence. Inaccurate shipping
cost estimates can lead to bad decision, such as pricing items too low or high,
or promoting the wrong product to the customers. Current solutions for
estimating shipping costs on day 0 rely on tree-based models that require
extensive manual engineering efforts. In this study, we propose a novel
architecture called the Rate Card Transformer (RCT) that uses self-attention to
encode all package shipping information such as package attributes, carrier
information and route plan. Unlike other transformer-based tabular models, RCT
has the ability to encode a variable list of one-to-many relations of a
shipment, allowing it to capture more information about a shipment. For
example, RCT can encode properties of all products in a package. Our results
demonstrate that cost predictions made by the RCT have 28.82% less error
compared to tree-based GBDT model. Moreover, the RCT outperforms the
state-of-the-art transformer-based tabular model, FTTransformer, by 6.08%. We
also illustrate that the RCT learns a generalized manifold of the rate card
that can improve the performance of tree-based models.
- Abstract(参考訳): Amazonは毎年、米国内の顧客に何十億ものパッケージを出荷している。
これらのパッケージの出荷コストは、出荷日(0日)に販売の収益性を見積もるために使用される。
下流システムは最近、価格戦略や損失生成商品の廃止など、財務上の決定に0利益率の見積もりを使用している。
しかし、キャリア請求の遅れや固定コストコンポーネントが毎月の周期で記録されるなどの理由から、0日目の正確な出荷コスト推定値を取得することは複雑である。
不正確な出荷コストの見積は、価格が低すぎるか高すぎるか、あるいは間違った製品を顧客に宣伝するような、悪い判断につながる可能性がある。
出荷コストを0日目に見積もる現在のソリューションは、大規模な手作業を必要とするツリーベースのモデルに依存している。
本研究では,Rate Card Transformer(RCT)と呼ばれる,パッケージ属性やキャリア情報,ルート計画など,パッケージの出荷情報をすべて自己注意で符号化するアーキテクチャを提案する。
他のトランスフォーマーベースの表型モデルとは異なり、rctは出荷の1対1の関係の可変リストをエンコードでき、出荷に関するより多くの情報をキャプチャできる。
例えば、RCTはパッケージ内のすべての製品のプロパティをエンコードできる。
その結果,RCTによるコスト予測はGBDTモデルに比べて28.82%誤差が少ないことがわかった。
さらに、RTTは最先端の変換器ベースの表型モデルFTTransformerを6.08%上回る。
また、RCTは木モデルの性能を向上させることができるレートカードの一般化多様体を学習する。
関連論文リスト
- VST++: Efficient and Stronger Visual Saliency Transformer [81.12457411265932]
我々は,グローバルな長距離依存関係を探索する,効率的で強力なVST++モデルを開発した。
我々は、RGB、RGB-D、RGB-T SODベンチマークデータセット上で、トランスフォーマーベースのバックボーンにまたがってモデルを評価した。
論文 参考訳(メタデータ) (2023-10-18T05:44:49Z) - Tangent Model Composition for Ensembling and Continual Fine-tuning [69.92177580782929]
タンジェントモデル合成(Tangent Model composition, TMC)は、事前訓練された点を中心に微調整されたコンポーネントモデルを独立に結合する手法である。
TMCの精度は4.2%向上し、非線形微調整モデルの精度は4.2%向上した。
論文 参考訳(メタデータ) (2023-07-16T17:45:33Z) - Incremental Profit per Conversion: a Response Transformation for Uplift
Modeling in E-Commerce Promotions [1.7640556247739623]
本稿では,購入時にのみ費用が発生する応答依存コストによるプロモーションに焦点を当てた。
既存のアップリフトモデルアプローチでは、メタラーナーのような複数のモデルをトレーニングする必要がしばしばあります。
本稿では, ユニット・エコノミクスにおける促進キャンペーンの効率を向上する新たな指標であるIncrmental Profit per Conversion(IPC)を紹介する。
論文 参考訳(メタデータ) (2023-06-23T19:46:02Z) - SAFE: Machine Unlearning With Shard Graphs [100.12621304361288]
本稿では,大規模モデルを多種多様なデータ集合に適応させる手法であるSynergy Aware Forgetting Ensemble (SAFE)を提案する。
SAFEは軽量なアダプタシステムを使用し、ほとんどの計算を再利用しながらトレーニングすることができる。
これにより、SAFEは現在の最先端の方法よりも小さなシャードの順序でトレーニングすることができる。
論文 参考訳(メタデータ) (2023-04-25T22:02:09Z) - Inductive Graph Transformer for Delivery Time Estimation [19.024006381947416]
生の特徴情報と構造グラフデータを利用してパッケージの納期を推定するインダクティブグラフ変換器(IGT)を提案する。
実世界のロジスティクスデータセットを用いた実験により,提案モデルが納期推定の最先端手法を大幅に上回ることを示す。
論文 参考訳(メタデータ) (2022-11-05T09:51:15Z) - Neural Optimal Transport with General Cost Functionals [70.37918531697142]
一般費用関数の最適輸送計画を計算するニューラルネットワークに基づく新しいアルゴリズムを提案する。
アプリケーションとして,クラス単位の構造を保ちながら,データ分布をマップするコスト関数を構築した。
論文 参考訳(メタデータ) (2022-05-30T20:00:19Z) - KnowGraph-PM: a Knowledge Graph based Pricing Model for Semiconductors
Supply Chains [0.0]
KnowGraph-PMは知識グラフベースの動的価格モデルである。
価格変動は顧客との対立を引き起こす可能性がある。
セマンティックデータの統合によって、顧客に適した収益管理が可能になることを実証する。
論文 参考訳(メタデータ) (2022-05-13T10:34:57Z) - ProgFed: Effective, Communication, and Computation Efficient Federated
Learning by Progressive Training [78.44473677588887]
本稿では,効率的なフェデレート学習のためのプログレッシブトレーニングフレームワークであるProgFedを提案する。
これは本質的に、最終モデルの強力な性能を維持しながら、計算と双方向通信コストを削減します。
以上の結果から, ProgFed はフルモデルの標準トレーニングと同等の速度で収束することがわかった。
論文 参考訳(メタデータ) (2021-10-11T14:45:00Z) - Exploring Sparse Expert Models and Beyond [51.90860155810848]
Mixture-of-Experts (MoE) モデルは、無数のパラメータを持つが、一定の計算コストで有望な結果が得られる。
本稿では,専門家を異なるプロトタイプに分割し,上位1ドルのルーティングに$k$を適用する,エキスパートプロトタイピングというシンプルな手法を提案する。
この戦略は, モデル品質を向上させるが, 一定の計算コストを維持するとともに, 大規模モデルのさらなる探索により, 大規模モデルの訓練に有効であることが示唆された。
論文 参考訳(メタデータ) (2021-05-31T16:12:44Z) - Optimal Cost Design for Model Predictive Control [30.86835688868485]
多くのロボティクスドメインは、計画に非モデル制御(MPC)を使用し、時間的地平線を減らし、最適化を行い、各ステップで再計画を行う。
本研究では, MPC を用いて最適化するコストは, タスクの真理コスト(端末コスト)と同等である,という一般的な仮定に挑戦する。
連続型MDPにおけるMPC計画ロボットの最適コストを設計できるゼロ階トラジェクトリに基づくアプローチを提案する。
論文 参考訳(メタデータ) (2021-04-23T00:00:58Z) - Think out of the package: Recommending package types for e-commerce
shipments [2.741530713365541]
複数の製品属性は、eコマース企業が製品を出荷するために使用するパッケージタイプを決定する。
準最適パッケージタイプは、出荷が損傷し、巨額の損害を被った。
本稿では,製品毎の出荷コストと損害コストをトレードオフする多段階的アプローチを提案する。
論文 参考訳(メタデータ) (2020-06-05T05:27:51Z)
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。