論文の概要: Monodense Deep Neural Model for Determining Item Price Elasticity

• arxiv url: http://arxiv.org/abs/2603.29261v1
• Date: Tue, 31 Mar 2026 04:50:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.155586
• Title: Monodense Deep Neural Model for Determining Item Price Elasticity
• Title（参考訳）: アイテム価格の弾力性決定のためのモノデンスディープニューラルモデル
• Authors: Lakshya Garg, Sai Yaswanth, Deep Narayan Mishra, Karthik Kumaran, Anupriya Sharma, Mayank Uniyal,
• Abstract要約: 商品価格の弾力性は、商品価格の変化に対する消費者需要の応答性の定量化に使用される。 本稿では, 処理制御が不要な場合に機能する新しい弾力性推定フレームワークを提案する。 我々は、新たに提案したMonodenseディープニューラルネットワークを含む、以下に挙げた機械学習ベースのアルゴリズムを用いて、このフレームワークをテストする。
• 参考スコア（独自算出の注目度）: 0.013434289790264115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Item Price Elasticity is used to quantify the responsiveness of consumer demand to changes in item prices, enabling businesses to create pricing strategies and optimize revenue management. Sectors such as store retail, e-commerce, and consumer goods rely on elasticity information derived from historical sales and pricing data. This elasticity provides an understanding of purchasing behavior across different items, consumer discount sensitivity, and demand elastic departments. This information is particularly valuable for competitive markets and resource-constrained businesses decision making which aims to maximize profitability and market share. Price elasticity also uncovers historical shifts in consumer responsiveness over time. In this paper, we model item-level price elasticity using large-scale transactional datasets, by proposing a novel elasticity estimation framework which has the capability to work in an absence of treatment control setting. We test this framework by using Machine learning based algorithms listed below, including our newly proposed Monodense deep neural network. (1) Monodense-DL network -- Hybrid neural network architecture combining embedding, dense, and Monodense layers (2) DML -- Double machine learning setting using regression models (3) LGBM -- Light Gradient Boosting Model We evaluate our model on multi-category retail data spanning millions of transactions using a back testing framework. Experimental results demonstrate the superiority of our proposed neural network model within the framework compared to other prevalent ML based methods listed above.
• Abstract（参考訳）: 商品価格の弾力性は、商品価格の変化に対する消費者需要の応答性を定量化し、企業は価格戦略を作成し、収益管理を最適化することができる。 小売業、電子商取引、消費者商品などの分野は、歴史的販売や価格データから得られる弾力性情報に依存している。 この弾力性は、異なる商品の購入行動、消費者の割引感度、需要の弾力性などの理解を提供する。 この情報は、特に競争力のある市場や、利益性と市場シェアを最大化することを目的としたリソース制約のあるビジネスの意思決定に有用である。 価格の弾力性はまた、時間の経過とともに消費者の反応の歴史的変化を明らかにしている。 本稿では,大規模トランザクションデータセットを用いたアイテムレベルの価格弾力性をモデル化し,処理制御が不要な場合に機能する新しい弾力性推定フレームワークを提案する。 我々は、新たに提案したMonodenseディープニューラルネットワークを含む、以下に挙げた機械学習ベースのアルゴリズムを用いて、このフレームワークをテストする。 1)モノデンス-DLネットワーク -- 埋め込み層,高密度層,モノデンス層を組み合わせたハイブリッドニューラルネットワークアーキテクチャ(2)DML -- 回帰モデルを用いた二重機械学習設定(3)LGBM -- 軽量なグラディエントブースティングモデル 私たちは,バックテストフレームワークを使用して,数百万のトランザクションにまたがるマルチカテゴリの小売データに対して,我々のモデルを評価した。 実験の結果,フレームワーク内で提案したニューラルネットワークモデルの方が,上述した他のMLベース手法よりも優れていることが示された。

関連論文リスト

• How to Set the Learning Rate for Large-Scale Pre-training? [73.03133634525635]
  我々はこの調査を2つの異なる研究パラダイムであるフィッティングとトランスファーに定式化する。 フィッティングパラダイムでは,探索係数のスケーリング法則を導入し,O(n3) から O(n*C_D*C_) への探索複雑性を予測モデルにより効果的に低減する。 我々は、$Transferの原則をMixture of Experts (MoE)アーキテクチャに拡張し、モデル深さ、重量減衰、トークン水平線を含む適用範囲を広げる。
  論文  参考訳（メタデータ） (2026-01-08T15:55:13Z)
• Taxonomy-based Negative Sampling In Personalized Semantic Search for E-commerce [46.251483528080236]
  本稿では,クエリや商品を共有ベクトル空間に埋め込んだeコマース検索のセマンティック検索モデルを提案する。 顧客の過去の購買履歴と行動をモデル化し,ユーザレベルのパーソナライゼーションを取り入れた。
  論文  参考訳（メタデータ） (2025-11-01T20:25:00Z)
• MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [92.40586697273868]
  モノのインターネットのタイムリーな更新は、車載メタバースサービスの没入を実現するために不可欠である。 本稿では,フェデレーション学習による効率的なプライバシ保護データ提供を可能にする没入型モデルトレーディングフレームワークを提案する。 実験の結果,提案手法は最先端のベンチマークよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-25T16:20:46Z)
• Consumer Transactions Simulation through Generative Adversarial Networks [0.07373617024876725]
  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。
  論文  参考訳（メタデータ） (2024-08-07T09:45:24Z)
• 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)
• Research: Modeling Price Elasticity for Occupancy Prediction in Hotel Dynamic Pricing [13.768319677863259]
  本稿では,需要の価格弾力性を明示的にモデル化したホテル需要関数を提案する。 本モデルは,内在性問題を軽減するために慎重に設計された弾力性学習モジュールで構成され,データスパースネスに対処するためのマルチタスクフレームワークで訓練されている。 実世界のデータセットに関する包括的実験を行い、占有率予測と動的価格の両面において、最先端のベースラインよりも手法の優位性を検証した。
  論文  参考訳（メタデータ） (2022-08-04T13:58:04Z)
• 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)
• Estimating Demand Flexibility Using Siamese LSTM Neural Networks [0.0]
  我々は、時間変動弾性という効率的なツールを用いて需要の柔軟性を定量化し、価格や意思決定のダイナミクスによって価値が変化する可能性がある。 最近の実証的な証拠は、需要の柔軟性を研究する際に、遅延応答や価格急騰後の弾性の消失など、いくつかの異常な特徴を浮き彫りにした。 本稿では,最適推定パターンを自動的かつ正確に導出するモデルフリー手法を提案する。
  論文  参考訳（メタデータ） (2021-09-03T00:59:27Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• 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。