論文の概要: An Interpretable Data-Driven Unsupervised Approach for the Prevention of Forgotten Items

• arxiv url: http://arxiv.org/abs/2507.23303v1
• Date: Thu, 31 Jul 2025 07:37:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:09.222362
• Title: An Interpretable Data-Driven Unsupervised Approach for the Prevention of Forgotten Items
• Title（参考訳）: 忘れ物防止のための解釈可能なデータ駆動型教師なしアプローチ
• Authors: Luca Corbucci, Javier Alejandro Borges Legrottaglie, Francesco Spinnato, Anna Monreale, Riccardo Guidotti,
• Abstract要約: 忘れられた項目予測タスクを導入し、2つの新しい解釈可能な設計アルゴリズムを提案する。 我々のアルゴリズムは、複数の評価指標で最先端のNAPベースラインを10～15%上回っている。
• 参考スコア（独自算出の注目度）: 6.613688868845425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately identifying items forgotten during a supermarket visit and providing clear, interpretable explanations for recommending them remains an underexplored problem within the Next Basket Prediction (NBP) domain. Existing NBP approaches typically only focus on forecasting future purchases, without explicitly addressing the detection of unintentionally omitted items. This gap is partly due to the scarcity of real-world datasets that allow for the reliable estimation of forgotten items. Furthermore, most current NBP methods rely on black-box models, which lack transparency and limit the ability to justify recommendations to end users. In this paper, we formally introduce the forgotten item prediction task and propose two novel interpretable-by-design algorithms. These methods are tailored to identify forgotten items while offering intuitive, human-understandable explanations. Experiments on a real-world retail dataset show our algorithms outperform state-of-the-art NBP baselines by 10-15% across multiple evaluation metrics.
• Abstract（参考訳）: スーパーマーケット訪問中に忘れられたアイテムを正確に識別し、それらを推奨する明確な解釈可能な説明を提供することは、Next Basket Prediction (NBP)ドメインの中で未解決の問題である。 既存のNAPアプローチは、意図しないアイテムの検出に明示的に対処することなく、将来の購入を予測することのみに焦点を当てる。 このギャップの一部は、忘れられたアイテムを確実に見積もることができる現実世界のデータセットが不足しているためである。 さらに、現在のNPPメソッドのほとんどはブラックボックスモデルに依存しており、透明性が欠如し、エンドユーザへの推奨を正当化する能力が制限されている。 本稿では,忘れられた項目予測タスクを正式に導入し,2つの新しい解釈可能な設計アルゴリズムを提案する。 これらの手法は、直感的で人間に理解可能な説明を提供しながら、忘れられたアイテムを特定するように調整されている。 実世界の小売データセットの実験では、アルゴリズムは複数の評価指標で最先端のNAPベースラインを10～15%上回っている。

関連論文リスト

• XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
  低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
  論文  参考訳（メタデータ） (2023-10-09T08:07:04Z)
• Sparse Function-space Representation of Neural Networks [23.4128813752424]
  ディープニューラルネットワーク(NN)は、不確実性推定が欠如していることや、新しいデータを組み込むのに苦労していることが知られている。 本稿では,NNを重み空間から関数空間に変換することにより,これらの問題を緩和する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-05T12:56:35Z)
• LMD: Light-weight Prediction Quality Estimation for Object Detection in Lidar Point Clouds [3.927702899922668]
  Lidarのクラウドデータのオブジェクト検出は、自動運転とロボット工学にとって有望な技術だ。 不確実性推定は下流タスクにとって重要な要素であり、ディープニューラルネットワークは信頼性の高い予測であってもエラーを起こしやすい。 予測品質推定のための軽量後処理方式LidarMetaDetectを提案する。 本実験は,偽予測から真を分離する際の統計的信頼性を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2023-06-13T15:13:29Z)
• Incorporating Unlabelled Data into Bayesian Neural Networks [48.25555899636015]
  本稿では,事前予測分布の適切なモデル学習に非ラベルデータを用いた自己教師付きベイズニューラルネットワークを提案する。 自己教師型BNNの事前予測分布は,従来のBNNよりも問題セマンティクスが優れていることを示す。 提案手法は, 従来のBNN, 特に低予算体制において, 予測性能を向上する。
  論文  参考訳（メタデータ） (2023-04-04T12:51:35Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
  弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。 エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。 提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-05-21T11:58:50Z)
• Temporal Action Detection with Multi-level Supervision [116.55596693897388]
  本稿では,ラベル付きデータとラベルなしデータを組み合わせたSemi-supervised Action Detection (SSAD)タスクを紹介する。 半教師付き分類タスクから直接適応したSSADベースラインの異なるタイプのエラーを解析する。 我々は,弱いラベル付きデータをSSADに組み込んで,3段階の監視レベルを持つOmni-supervised Action Detection (OSAD)を提案する。
  論文  参考訳（メタデータ） (2020-11-24T04:45:17Z)
• Deep Bayesian Bandits: Exploring in Online Personalized Recommendations [4.845576821204241]
  我々は、表示広告レコメンデータを文脈的盗賊として定式化する。 クリックスルーレートの後部分布からのサンプリングを必要とする探索手法を実装した。 提案したディープベイズ帯域幅アルゴリズムをオフラインシミュレーションとオンラインAB設定で検証した。
  論文  参考訳（メタデータ） (2020-08-03T08:58:18Z)
• Fixing Inventory Inaccuracies At Scale [8.347058637480506]
  不正確な在庫記録が頻繁に発生し、一部では小売業者が年商の約4%を負担している。 店舗とSKUの横断的なデータに基づくソリューションを提案する。 提案手法は,既存の異常検出手法に比べて最大10倍のコスト削減を実現する。
  論文  参考訳（メタデータ） (2020-06-23T16:22:03Z)

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。