Fugu-MT 論文翻訳(概要): Integrable Elasticity via Neural Demand Potentials

論文の概要: Integrable Elasticity via Neural Demand Potentials

arxiv url: http://arxiv.org/abs/2605.22820v1
Date: Thu, 21 May 2026 17:59:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-22 16:35:42.395269
Title: Integrable Elasticity via Neural Demand Potentials
Title（参考訳）: ニューラルデマンド電位による可積分弾性
Authors: Carlos Heredia, Daniel Roncel,
Abstract要約: 本稿では,多商品小売需要に対する需要優先型ニューラルモデルを提案する。このモデルは、ログプライスのスムーズなコンテキスト条件付き関数としてログオンデマンドを学習し、学習された要求面から正確に弾力性を引き出すことができる。ドミニクのビールデータセットでは、ICDNはログログの有向ベンチマークよりもアウト・オブ・サンプルの一般化を改善し、より安定で経済的に妥当な弾力性の推定値を得る。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose the Integrable Context-Dependent Demand Network (ICDN), a demand-first neural model for multiproduct retail demand. The model learns log-demand as a smooth, context-conditioned function of log-prices, allowing elasticities to be derived exactly from the learned demand surface. On the Dominick's beer dataset, ICDN improves out-of-sample generalization over a directed log-log benchmark and yields more stable, economically plausible elasticity estimates, especially for weakly identified cross-price effects.
Abstract（参考訳）: 本稿では,多商品小売需要に対する需要優先型ニューラルモデルであるICDNを提案する。このモデルは、ログプライスのスムーズなコンテキスト条件付き関数としてログオンデマンドを学習し、学習された要求面から正確に弾力性を引き出すことができる。ドミニクのビールのデータセットでは、ICDNは、有向ログベンチマークよりもサンプル外一般化を改善し、特に弱識別されたクロスプライス効果に対して、より安定で経済的に妥当な弾力性の推定値を得る。

関連論文リスト

A novel hybrid approach for positive-valued DAG learning [60.917028769172795]
正値データから有向非巡回グラフ(DAG)を学習するためのHybrid Moment-Ratio Scoring (H-MRS)アルゴリズムを提案する。 H-MRSは、モーメント比推定のためのログスケールリッジ回帰と、生のスケールモーメント比に基づくグレディオーダー処理を統合する。合成対数線形データの実験は、競合精度とリコールを示す。
論文参考訳（メタデータ） (2026-04-10T04:04:26Z)
Monodense Deep Neural Model for Determining Item Price Elasticity [0.013434289790264115]
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。
論文参考訳（メタデータ） (2026-03-31T04:50:51Z)
Learning to Price: Interpretable Attribute-Level Models for Dynamic Markets [1.0195618602298682]
本稿では,emphAdditive Feature Decomposition-based Low-dimensional Demand (textbfAFDLD)モデルを提案する。 ADEPTは動的市場条件下でほぼ最適価格を学習することを示す。その結果,自律型価格設定エージェントの解釈可能性と効率性は共同で達成できることが示唆された。
論文参考訳（メタデータ） (2026-01-30T07:52:07Z)
A Comprehensive Taxonomy of Negation for NLP and Neural Retrievers [57.57320129313161]
我々は、哲学的、言語的、論理的定義から派生した否定の分類を導入した。ニューラルネットワーク検索モデルの性能評価に使用できるベンチマークデータセットを2つ生成する。本稿では,既存のデータセットの検索モデルの性能を解析するために,論理に基づく分類機構を提案する。
論文参考訳（メタデータ） (2025-07-30T02:44:20Z)
History-Aware Neural Operator: Robust Data-Driven Constitutive Modeling of Path-Dependent Materials [8.579506050944875]
本研究では、ニューラルネットワークを用いた非弾性材料のデータ駆動モデリングのためのエンドツーエンド学習フレームワークを提案する。近年のストレス・ストレス・ヒストリーの短い部分から経路依存的な物質応答を予測する自己回帰モデルであるヒストリー・アウェア・ニューラル・オペレータ(HANO)を開発した。我々は, 脆性固体の弾塑性と進行異方性損傷の2つのベンチマーク問題に対してHANOを評価した。
論文参考訳（メタデータ） (2025-06-12T05:19:17Z)
Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文参考訳（メタデータ） (2023-02-06T16:38:43Z)
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)
End-to-End Demand Response Model Identification and Baseline Estimation with Deep Learning [3.553493344868414]
本稿では,需要ベースラインとインセンティブに基づくエージェント要求応答モデルを同時に識別する,エンドツーエンドのディープラーニングフレームワークを提案する。提案手法の有効性を,合成需要応答トレースと大規模実世界の需要応答データセットを用いた計算実験により実証する。
論文参考訳（メタデータ） (2021-09-02T06:43:37Z)
Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できるこのモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。