Fugu-MT 論文翻訳(概要): MDiFF: Exploiting Multimodal Score-based Diffusion Models for New Fashion Product Performance Forecasting

論文の概要: MDiFF: Exploiting Multimodal Score-based Diffusion Models for New Fashion Product Performance Forecasting

arxiv url: http://arxiv.org/abs/2412.06840v1
Date: Sat, 07 Dec 2024 07:15:59 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-11 14:38:31.266406
Title: MDiFF: Exploiting Multimodal Score-based Diffusion Models for New Fashion Product Performance Forecasting
Title（参考訳）: MDiFF:新しいファッション製品パフォーマンス予測のためのマルチモーダルスコアベース拡散モデルの構築
Authors: Andrea Avogaro, Luigi Capogrosso, Franco Fummi, Marco Cristani,
Abstract要約: 新しいファッション製品性能予測(NFPPF)のための2段階多モード拡散モデルに基づくパイプライン MDiFFを提案する。まず、スコアベースの拡散モデルを用いて、異なる服の今後の売上予測を行い、次に、これら複数の予測を軽量な多層パーセプトロン(MLP)で洗練し、最終的な予測を得る。
参考スコア（独自算出の注目度）: 9.100853455059111
License:
Abstract: The fast fashion industry suffers from significant environmental impacts due to overproduction and unsold inventory. Accurately predicting sales volumes for unreleased products could significantly improve efficiency and resource utilization. However, predicting performance for entirely new items is challenging due to the lack of historical data and rapidly changing trends, and existing deterministic models often struggle with domain shifts when encountering items outside the training data distribution. The recently proposed diffusion models address this issue using a continuous-time diffusion process. This allows us to simulate how new items are adopted, reducing the impact of domain shift challenges faced by deterministic models. As a result, in this paper, we propose MDiFF: a novel two-step multimodal diffusion models-based pipeline for New Fashion Product Performance Forecasting (NFPPF). First, we use a score-based diffusion model to predict multiple future sales for different clothes over time. Then, we refine these multiple predictions with a lightweight Multi-layer Perceptron (MLP) to get the final forecast. MDiFF leverages the strengths of both architectures, resulting in the most accurate and efficient forecasting system for the fast-fashion industry at the state-of-the-art. The code can be found at https://github.com/intelligolabs/MDiFF.
Abstract（参考訳）: ファストファッション産業は過剰生産と未販売在庫による環境影響に悩まされている。未発売商品の正確な販売量予測は、効率と資源利用を著しく改善する可能性がある。しかし、過去のデータ不足や急激な傾向の変化により、全く新しい項目のパフォーマンスを予測することは困難であり、既存の決定論的モデルは、トレーニングデータ分布外の項目に遭遇する場合、しばしばドメインシフトに直面する。最近提案された拡散モデルは、連続時間拡散プロセスを用いてこの問題に対処する。これにより、新しいアイテムをどのように採用するかをシミュレートすることができ、決定論的モデルが直面するドメインシフトの課題の影響を減らすことができます。そこで本研究では,新しいファッション製品性能予測(NFPPF)のための2段階のマルチモーダル拡散モデルに基づくパイプラインであるMDiFFを提案する。まず、スコアに基づく拡散モデルを用いて、異なる服の今後の売上予測を行う。そして、これらの複数の予測を軽量な多層パーセプトロン(MLP)で洗練し、最終的な予測を得る。 MDiFFは両方のアーキテクチャの強みを生かし、最先端のファストファッション産業にとって最も正確かつ効率的な予測システムとなる。コードはhttps://github.com/intelligolabs/MDiFFで見ることができる。

関連論文リスト

MG-TSD: Multi-Granularity Time Series Diffusion Models with Guided Learning Process [26.661721555671626]
本稿では,最先端の予測性能を実現する新しい多粒度時系列(MG-TSD)モデルを提案する。われわれのアプローチは外部データに頼らず、様々な領域にまたがって汎用的で適用可能である。
論文参考訳（メタデータ） (2024-03-09T01:15:03Z)
Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
論文参考訳（メタデータ） (2024-01-17T07:58:18Z)
Predict, Refine, Synthesize: Self-Guiding Diffusion Models for Probabilistic Time Series Forecasting [10.491628898499684]
時系列の非条件学習拡散モデルであるTSDiffを提案する。提案する自己誘導機構により、補助的ネットワークやトレーニング手順の変更を必要とせず、推論中に下流タスクに対してTSDiffを条件付けることができる。本研究では,予測,改良,合成データ生成という3つの時系列タスクにおいて,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-07-21T10:56:36Z)
Non-autoregressive Conditional Diffusion Models for Time Series Prediction [3.9722979176564763]
TimeDiffは、高品質な時系列予測を実現する非自己回帰拡散モデルである。我々はTimeDiffが既存の時系列拡散モデルより一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-06-08T08:53:59Z)
Non-Invasive Fairness in Learning through the Lens of Data Drift [88.37640805363317]
データや学習アルゴリズムを変更することなく、機械学習モデルの公平性を向上する方法を示す。異なる集団間の傾向のばらつきと、学習モデルと少数民族間の連続的な傾向は、データドリフトと類似している。このドリフトを解決するための2つの戦略(モデル分割とリウィーディング)を探索し、基礎となるデータに対するモデル全体の適合性を改善することを目的としている。
論文参考訳（メタデータ） (2023-03-30T17:30:42Z)
A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文参考訳（メタデータ） (2022-09-06T16:56:21Z)
Billion-user Customer Lifetime Value Prediction: An Industrial-scale Solution from Kuaishou [19.31651596803956]
顧客ライフタイムバリュー(英:Customer Life Time Value、LTV)は、単一のユーザがビジネスにもたらすことができる総収入である。 LTVのモデリングは、複雑で変更可能なデータ分散のため、難しい問題である。我々は、異なる時間帯のLTV間の順序依存をモデル化する秩序依存モノトニックネットワーク(ODMN)を導入する。
論文参考訳（メタデータ） (2022-08-29T04:05:21Z)
How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
論文参考訳（メタデータ） (2022-06-10T15:09:46Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
An Exponential Factorization Machine with Percentage Error Minimization to Retail Sales Forecasting [3.7572675195649623]
本稿では,リードタイムは長いが製品ライフサイクルが短い新製品の販売予測に対する新しいアプローチを提案する。この問題を解決するために指数係数化マシン(EFM)の販売予測モデルを開発した。
論文参考訳（メタデータ） (2020-09-22T15:21:38Z)
VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。 LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文参考訳（メタデータ） (2020-07-15T07:07:07Z)

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。