論文の概要: Consumer Transactions Simulation through Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2408.03655v1
- Date: Wed, 7 Aug 2024 09:45:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-08 17:30:30.231242
- Title: Consumer Transactions Simulation through Generative Adversarial Networks
- Title（参考訳）: ジェネレーティブ・ディバイサル・ネットワークによる消費者取引シミュレーション
- Authors: Sergiy Tkachuk, Szymon Łukasik, Anna Wróblewska,
- Abstract要約: 本稿では,合成小売取引データを生成するためのGAN(Generative Adversarial Networks)の革新的な応用について述べる。
我々は、SKUデータをGANアーキテクチャに統合し、より洗練された埋め込み手法を用いて従来の手法から切り離す。
その結果, 実物と実物を比較することで, シミュレーショントランザクションにおける現実性の向上が示された。
- 参考スコア（独自算出の注目度）: 0.07373617024876725
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In the rapidly evolving domain of large-scale retail data systems, envisioning and simulating future consumer transactions has become a crucial area of interest. It offers significant potential to fortify demand forecasting and fine-tune inventory management. This paper presents an innovative application of Generative Adversarial Networks (GANs) to generate synthetic retail transaction data, specifically focusing on a novel system architecture that combines consumer behavior modeling with stock-keeping unit (SKU) availability constraints to address real-world assortment optimization challenges. We diverge from conventional methodologies by integrating SKU data into our GAN architecture and using more sophisticated embedding methods (e.g., hyper-graphs). This design choice enables our system to generate not only simulated consumer purchase behaviors but also reflects the dynamic interplay between consumer behavior and SKU availability -- an aspect often overlooked, among others, because of data scarcity in legacy retail simulation models. Our GAN model generates transactions under stock constraints, pioneering a resourceful experimental system with practical implications for real-world retail operation and strategy. Preliminary results demonstrate enhanced realism in simulated transactions measured by comparing generated items with real ones using methods employed earlier in related studies. This underscores the potential for more accurate predictive modeling.
- Abstract（参考訳）: 大規模小売データシステムの急速に発展する領域では、将来的な消費者取引の構想とシミュレーションが重要な関心領域となっている。
需要予測と細心の在庫管理を固める大きな可能性を秘めている。
本稿では, 消費者行動モデリングとストックキーピングユニット(SKU)の可用性制約を併用し, 現実のアソシエーション最適化課題に対処する, 新たなシステムアーキテクチャに着目したGAN(Generative Adversarial Networks)の革新的応用を提案する。
我々は、SKUデータをGANアーキテクチャに統合し、より洗練された埋め込み手法(ハイパーグラフなど)を使用することで、従来の手法から逸脱する。
この設計選択は, 消費者の購買行動のシミュレーションだけでなく, 消費者行動とSKU可用性の動的相互作用を反映する。
我々のGANモデルは、実店舗運営と戦略に実用的な意味を持つ資源豊富な実験システムを開拓し、在庫制約下で取引を生成する。
実験結果から, 実物と実物を比較することで, シミュレーション取引における現実性の向上を実証した。
これはより正確な予測モデルの可能性を示している。
関連論文リスト
- DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [70.91804882618243]
本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。
我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。
LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-02-18T02:37:26Z) - Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。
我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
論文 参考訳（メタデータ） (2025-02-16T23:13:55Z) - TRADES: Generating Realistic Market Simulations with Diffusion Models [4.308104021015939]
金融市場は、高い統計ノイズ、非線形性、一定の進化を特徴とする複雑なシステムである。
我々は,現実的で応答性の高いリミットオーダーブック(LOB)市場シミュレーションを作成するタスクに対処する。
LOBシミュレーションのための新しいデノイング拡散確率エンジン(TRADES)を提案する。
論文 参考訳（メタデータ） (2025-01-31T19:43:13Z) - Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。
データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
論文 参考訳（メタデータ） (2024-11-30T10:56:30Z) - RetailSynth: Synthetic Data Generation for Retail AI Systems Evaluation [4.182702249796689]
顧客の買い物行動をシミュレーションする多段階モデルを提案する。
私たちはこのモデルを,作業シミュレーション環境 – Retail Synth に組み入れました。
収益、カテゴリー浸透、顧客維持への影響について分析した。
論文 参考訳（メタデータ） (2023-12-21T18:17:16Z) - Enhancing Polynomial Chaos Expansion Based Surrogate Modeling using a
Novel Probabilistic Transfer Learning Strategy [2.980666177064344]
ブラックボックスシミュレーションでは、非侵入型PCEは一連のシミュレーション応答評価を用いてサロゲートを構築することができる。
そこで我々は,類似のPCEサロゲート構築タスクを通じて得られた知識を新たなサロゲート構築タスクに転送することで,伝達学習を活用することを提案する。
論文 参考訳（メタデータ） (2023-12-07T19:16:42Z) - Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。
我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。
提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
論文 参考訳（メタデータ） (2023-03-28T00:23:23Z) - Neural Stochastic Agent-Based Limit Order Book Simulation: A Hybrid
Methodology [6.09170287691728]
現代の金融取引所は電子的リミット・オーダー・ブック(LOB)を使用して入札を保管し、特定の金融資産の受注を要求する。
ニューラルポイントモデルを用いて過去のLOBデータに基づいて事前訓練されたニューラルバックグラウンドトレーサによるマーケットイベントのロジックの集約を表現するハイブリッドLOBシミュレーションと、他のトレーサとのマルチエージェントシミュレーションに背景トレーサを組み込んだハイブリッドLOBシミュレーションを提案する。
このスタイル化された事実は残っており、実市場の経験的観察に則った秩序流の影響と財政的放牧行動を示す。
論文 参考訳（メタデータ） (2023-02-28T20:53:39Z) - Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product
Retrieval [152.3504607706575]
本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。
まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。
我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
論文 参考訳（メタデータ） (2022-06-17T15:40:45Z) - Preference Enhanced Social Influence Modeling for Network-Aware Cascade
Prediction [59.221668173521884]
本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。
エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
論文 参考訳（メタデータ） (2022-04-18T09:25:06Z) - Consumer Behaviour in Retail: Next Logical Purchase using Deep Neural
Network [0.0]
消費者購入パターンの正確な予測は、より良い在庫計画と効率的なパーソナライズされたマーケティング戦略を可能にする。
Multi Layer Perceptron、Long Short Term Memory (LSTM)、Temporal Convolutional Networks (TCN)、TCN-LSTMのような神経ネットワークアーキテクチャは、XgboostやRandomForestといったMLモデルに取って代わる。
論文 参考訳（メタデータ） (2020-10-14T11:00:00Z)
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。