論文の概要: Adventures in Demand Analysis Using AI

• arxiv url: http://arxiv.org/abs/2501.00382v1
• Date: Tue, 31 Dec 2024 10:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:15:35.072738
• Title: Adventures in Demand Analysis Using AI
• Title（参考訳）: AIを用いた需要分析のアドベンチャー
• Authors: Philipp Bach, Victor Chernozhukov, Sven Klaassen, Martin Spindler, Jan Teichert-Kluge, Suhas Vijaykumar,
• Abstract要約: 本稿では、人工知能(AI)から派生した多モード製品表現を統合することで、経験的需要分析を推し進める。 われわれは、Amazon.comのテキスト上でおもちゃ車の詳細なデータセットを使用して、トランスフォーマーベースの埋め込みモデルを使用して各製品を表現する。 得られた埋め込みにより,販売ランクと価格の予測精度が大幅に向上し,価格弾力性の信頼性の高い因果推定が導かれることを示す。
• 参考スコア（独自算出の注目度）: 6.620286064724573
• License:
• Abstract: This paper advances empirical demand analysis by integrating multimodal product representations derived from artificial intelligence (AI). Using a detailed dataset of toy cars on \textit{Amazon.com}, we combine text descriptions, images, and tabular covariates to represent each product using transformer-based embedding models. These embeddings capture nuanced attributes, such as quality, branding, and visual characteristics, that traditional methods often struggle to summarize. Moreover, we fine-tune these embeddings for causal inference tasks. We show that the resulting embeddings substantially improve the predictive accuracy of sales ranks and prices and that they lead to more credible causal estimates of price elasticity. Notably, we uncover strong heterogeneity in price elasticity driven by these product-specific features. Our findings illustrate that AI-driven representations can enrich and modernize empirical demand analysis. The insights generated may also prove valuable for applied causal inference more broadly.
• Abstract（参考訳）: 本稿では,人工知能(AI)から派生したマルチモーダル製品表現を統合することで,実証的な需要分析を推進している。 textit{Amazon.com} 上のおもちゃ車の詳細なデータセットを用いて、テキスト記述、画像、表の共変体を組み合わせて、トランスフォーマーベースの埋め込みモデルを用いて各製品を表現する。 これらの埋め込みは、伝統的な手法がしばしば要約するのに苦労する、品質、ブランディング、視覚的特徴などの微妙な属性をキャプチャする。 さらに、これらの埋め込みを因果推論タスクに微調整する。 得られた埋め込みにより,販売ランクと価格の予測精度が大幅に向上し,価格弾力性の信頼性の高い因果推定が導かれることを示す。 特に、これらの製品固有の特徴によって引き起こされる価格弾力性の強い不均一性を明らかにする。 我々の研究結果は、AIによる表現が経験的需要分析を豊かにし、近代化できることを示している。 生成された洞察は、より広範囲に応用された因果推論に価値があることも証明できる。

関連論文リスト

• Understanding Generative AI Content with Embedding Models [4.662332573448995]
  この研究は、現代のディープニューラルネットワーク(DNN)の内部表現を、従来の機能エンジニアリングの自動化形式として捉えている。 これらの埋め込みは、非構造化サンプルデータに解釈可能で高レベルな概念を明らかにすることができることを示す。 実データとAIモデルから生成されたデータの間には、本質的に分離性が存在するという実証的な証拠が見つかる。
  論文  参考訳（メタデータ） (2024-08-19T22:07:05Z)
• Distilled ChatGPT Topic & Sentiment Modeling with Applications in Finance [0.0]
  ChatGPTは、容易に解釈可能な機能を生成する合理化モデルを作成するために利用される。 本稿では,知識の蒸留と伝達学習を融合させ,軽量な話題分類モデルと感情分類モデルを実現するためのトレーニングアプローチについて述べる。
  論文  参考訳（メタデータ） (2024-03-04T16:27:21Z)
• Intrinsic Image Diffusion for Indoor Single-view Material Estimation [55.276815106443976]
  室内シーンの外観分解のための生成モデルIntrinsic Image Diffusionを提案する。 1つの入力ビューから、アルベド、粗さ、および金属地図として表される複数の材料説明をサンプリングする。 提案手法は,PSNRで1.5dB$,アルベド予測で45%のFIDスコアを達成し,よりシャープで,より一貫性があり,より詳細な資料を生成する。
  論文  参考訳（メタデータ） (2023-12-19T15:56:19Z)
• Language Agents for Detecting Implicit Stereotypes in Text-to-image Models at Scale [45.64096601242646]
  テキスト・ツー・イメージモデルにおけるステレオタイプ検出に適した新しいエージェントアーキテクチャを提案する。 複数のオープンテキストデータセットに基づいたステレオタイプ関連ベンチマークを構築した。 これらのモデルは、個人的特性に関する特定のプロンプトに関して、深刻なステレオタイプを示すことが多い。
  論文  参考訳（メタデータ） (2023-10-18T08:16:29Z)
• No Bidding, No Regret: Pairwise-Feedback Mechanisms for Digital Goods and Data Auctions [14.87136964827431]
  本研究は, 一般的な繰り返しオークション設定に対処する新しいメカニズムを提案する。 メカニズムの新規性は、入札者から情報を引き出すためにペアワイズ比較を使用することにある。 ヒューマンファクターに焦点が当てられていることは、よりヒューマン・アウェアで効率的なメカニズム設計の発展に寄与する。
  論文  参考訳（メタデータ） (2023-06-02T18:29:07Z)
• Hedonic Prices and Quality Adjusted Price Indices Powered by AI [4.125713429211907]
  我々は、大量の非構造化製品データを処理する経験的ヘドニックモデルを開発する。 我々は正確なヘドニック価格推定と導出指標を生成する。 我々は、AIベースのヘドニックフィッシャー価格指数を構築し、年々の頻度でチェーンする。
  論文  参考訳（メタデータ） (2023-04-28T18:37:59Z)
• On the Robustness of Aspect-based Sentiment Analysis: Rethinking Model, Data, and Training [109.9218185711916]
  アスペクトベースの感情分析(ABSA)は、ソーシャルメディアのテキストやレビューの背後にある製品やサービスの特定の側面に対して、特定の感情の極性を自動的に推測することを目的としている。 我々は、モデル、データ、トレーニングを含むあらゆる可能な角度からボトルネックを体系的に再考することで、ABSAの堅牢性を高めることを提案する。
  論文  参考訳（メタデータ） (2023-04-19T11:07:43Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Generative Counterfactuals for Neural Networks via Attribute-Informed Perturbation [51.29486247405601]
  AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。 異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。 実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
  論文  参考訳（メタデータ） (2021-01-18T08:37:13Z)
• Proactive Pseudo-Intervention: Causally Informed Contrastive Learning For Interpretable Vision Models [103.64435911083432]
  PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。 PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。 また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
  論文  参考訳（メタデータ） (2020-12-06T20:30:26Z)

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。