Fugu-MT 論文翻訳(概要): Property Classification of Vacation Rental Properties during Covid-19

論文の概要: Property Classification of Vacation Rental Properties during Covid-19

arxiv url: http://arxiv.org/abs/2510.07639v1
Date: Thu, 09 Oct 2025 00:24:59 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-10 17:54:14.788462
Title: Property Classification of Vacation Rental Properties during Covid-19
Title（参考訳）: コビッド19における静注レンタル特性の分類
Authors: Favour Yahdii Aghaebe, Dustin Foley, Eric Atwell, Stephen Clark,
Abstract要約: 本研究は,コビッドパンデミック時に活動する休暇料の分類にクラスタリング手法を採用することを提唱する。このデータセットは、ESRCが出資したConsumer Data Research Centre(CDRC)とAirDNAのコラボレーションで、100万以上のプロパティとホストのデータを含んでいる。
参考スコア（独自算出の注目度）: 0.6994437952957075
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study advocates for employing clustering techniques to classify vacation rental properties active during the Covid pandemic to identify inherent patterns and behaviours. The dataset, a collaboration between the ESRC funded Consumer Data Research Centre (CDRC) and AirDNA, encompasses data for over a million properties and hosts. Utilising K-means and K-medoids clustering techniques, we identify homogenous groups and their common characteristics. Our findings enhance comprehension of the intricacies of vacation rental evaluations and could potentially be utilised in the creation of targeted, cluster-specific policies.
Abstract（参考訳）: 本研究は,コビッドパンデミックの期間中に活動する休業賃貸物件を分類し,固有のパターンや行動を特定するためにクラスタリング手法を採用することを提唱する。このデータセットは、ESRCが出資したConsumer Data Research Centre(CDRC)とAirDNAのコラボレーションで、100万以上のプロパティとホストのデータを含んでいる。 K-meansおよびK-medoidsクラスタリング技術を用いて、同種群とその共通特性を同定する。本研究は,休暇料評価の複雑さの理解を深めるとともに,対象とするクラスタ固有のポリシーの作成にも活用できる可能性が示唆された。

関連論文リスト

Comparative analysis of unsupervised clustering techniques using validation metrics: Study on cognitive features from the Canadian Longitudinal Study on Aging (CLSA) [0.0]
CLSAデータセットには、ベースラインとフォローアップアセスメントの両方で利用可能なデータを持つ18,891人の参加者が含まれている。この分析で使用されるクラスタリング手法は、K-means(KM)クラスタリング、階層クラスタリング(HC)、およびPAM(Partitioning Around Medoids)である。 K平均とPAM(Partitioning Around Medoids)の3つのクラスタリング手法の結果を比較するために評価指標を使用した結果、同様の結果が得られた。
論文参考訳（メタデータ） (2025-04-07T21:13:51Z)
Self-Supervised Graph Embedding Clustering [70.36328717683297]
K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
論文参考訳（メタデータ） (2024-09-24T08:59:51Z)
Adaptive Self-supervised Robust Clustering for Unstructured Data with Unknown Cluster Number [12.926206811876174]
適応型自己教師型ロバストクラスタリング(Adaptive Self-supervised Robust Clustering, ASRC)と呼ばれる非構造化データに適した,新たな自己教師型ディープクラスタリング手法を提案する。 ASRCはグラフ構造とエッジ重みを適応的に学習し、局所構造情報と大域構造情報の両方をキャプチャする。 ASRCは、クラスタ数の事前知識に依存するメソッドよりも優れており、非構造化データのクラスタリングの課題に対処する上での有効性を強調している。
論文参考訳（メタデータ） (2024-07-29T15:51:09Z)
From A-to-Z Review of Clustering Validation Indices [4.08908337437878]
我々は、最も一般的なクラスタリングアルゴリズムを用いて、内部および外部クラスタリング検証指標の性能をレビューし、評価する。内部クラスタリング検証と外部クラスタリング検証の両方の機能を調べるための分類フレームワークを提案する。
論文参考訳（メタデータ） (2024-07-18T13:52:02Z)
DCSI -- An improved measure of cluster separability based on separation and connectedness [0.0]
あるデータセットのクラスラベルが意味のあるクラスタに対応するかどうかは、実世界のデータセットを用いたクラスタリングアルゴリズムの評価に不可欠である。密度に基づくクラスタリングにおける分離性の中心的な側面は、クラス間の分離とクラス内の連結性である。新たに開発された尺度 (density cluster separability index, DCSI) は、これらの2つの特性を定量化することを目的としており、CVIとしても使用できる。
論文参考訳（メタデータ） (2023-10-19T15:01:57Z)
Integrating Auxiliary Information in Self-supervised Learning [94.11964997622435]
まず、補助情報がデータ構造に関する有用な情報をもたらす可能性があることを観察する。補助情報に基づいてデータクラスタを構築する。我々はCl-InfoNCEがデータクラスタリング情報を活用するためのより良いアプローチであることを示した。
論文参考訳（メタデータ） (2021-06-05T11:01:15Z)
You Never Cluster Alone [150.94921340034688]
我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
論文参考訳（メタデータ） (2021-06-03T14:59:59Z)
Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of Heart Failure Patients [50.48904066814385]
本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
論文参考訳（メタデータ） (2020-12-24T12:56:46Z)
Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
論文参考訳（メタデータ） (2020-12-08T08:52:00Z)

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。