論文の概要: A Deep Learning Framework for Quantile Demand Forecasting in E-commerce with Doubly Censored Data

• arxiv url: http://arxiv.org/abs/2610.40138v1
• Date: Thu, 29 Oct 2026 14:30:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.516879
• Title: A Deep Learning Framework for Quantile Demand Forecasting in E-commerce with Doubly Censored Data
• Title（参考訳）: 二重補償データを用いた電子商取引における定量需要予測のためのディープラーニングフレームワーク
• Abstract要約: 小売業では、実際の販売は在庫で抑えられ、一時的なプロモーションによって押し上げられるが、ターゲットは需要の根底にある。 本稿では,2重に検閲された観測から量子化を学習するためのフレームワークを導入し,評価基準の調整を提案する。 我々のアプローチは理論的保証によって支持されており、我々の計量がオラクル校正測度とよく相関していることを実証的に実証している。
• 参考スコア（独自算出の注目度）: 3.890597289078549
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, a growing number of online retail companies have embraced deep learning models for demand forecasting, leveraging their scalability in processing large-scale datasets. Accurate demand forecasts enable improved planning and allow operational flexibility to adjust sales accordingly. Moreover, quantile estimation has gained widespread application as it offers valuable uncertainty quantification, thereby enhancing the robustness of decision-making processes. However, limited research has addressed the effective quantification of uncertainty when target labels are ambiguous. In retail, actual sales can be capped by stock and boosted by temporary promotions, whereas the target is underlying demand. Such scenarios are characterized by double censoring and no deep-learning pipeline yet exists for such data. In this paper, we introduce a straightforward framework for learning quantiles from doubly-censored observations and propose a tailored evaluation metric. Our approach is supported by theoretical guarantees, and we empirically demonstrate that our metric correlates well with the oracle calibration measure. Experimental results show that our estimator surpasses existing baselines. Finally, inventory simulations and real-world applications confirm the practical utility of our method in retail operations.
• Abstract（参考訳）: 近年、多くのオンライン小売企業が需要予測のためにディープラーニングモデルを採用しており、大規模データセットの処理におけるスケーラビリティを活用している。 正確な需要予測は、計画の改善と、それに応じて販売を調整する運用上の柔軟性を可能にする。 さらに、価値ある不確実性定量化を提供し、意思決定プロセスの堅牢性を高めるため、定量推定が広く応用されている。 しかし,対象ラベルが曖昧である場合,不確実性の有効定量化について限定的な研究がなされている。 小売業では、実際の販売は在庫で抑えられ、一時的なプロモーションによって押し上げられるが、ターゲットは需要の根底にある。 このようなシナリオは、二重検閲によって特徴づけられ、そのようなデータに対してまだディープラーニングパイプラインが存在しない。 本稿では、二重感覚の観測から量子を学習するための簡単なフレームワークを導入し、調整された評価指標を提案する。 我々のアプローチは理論的保証によって支持されており、我々の計量がオラクル校正測度とよく相関していることを実証的に実証している。 実験の結果,既存のベースラインを超える推定値が得られた。 最後に, 在庫シミュレーションと実世界の応用により, 小売業における本手法の実用性を確認した。

関連論文リスト

• Beyond Demand Estimation: Consumer Surplus Evaluation via Cumulative Propensity Weights [14.103811043596666]
  本稿では,需要関数の明示的な推定と数値積分を回避する推定器を提案する。 我々は、この枠組みを不平等を意識した余剰措置に拡張し、規制当局や企業が利益と平等のトレードオフを定量化できるようにする。
  論文  参考訳（メタデータ） (2026-01-03T01:41:40Z)
• TAT: Temporal-Aligned Transformer for Multi-Horizon Peak Demand Forecasting [51.37167759339485]
  本稿では,アプリロリで知られたコンテキスト変数を利用して予測性能を向上させるマルチホライゾン予測器であるTemporal-Aligned Transformer (TAT)を提案する。 我々のモデルはエンコーダとデコーダで構成されており、どちらもピーク需要予測のためのコンテキスト依存アライメントを学習するための新しい時間アライメントアテンション(TAA)を組み込んでいる。 以上の結果から,TATはピーク需要予測において30%の精度を実現し,他の最先端手法と比較して総合的な性能を維持した。
  論文  参考訳（メタデータ） (2025-07-14T14:51:24Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Deep Limit Order Book Forecasting [2.771933807499954]
  我々は、最先端の深層学習手法を利用して、高頻度リミットオーダーブックの中間価格変化の予測可能性を探る。 大規模なリミットオーダーブックデータを効率的に処理するオープンソースコードベースであるLOBFrame'をリリースする。
  論文  参考訳（メタデータ） (2024-03-14T10:44:10Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Exploring validation metrics for offline model-based optimisation with diffusion models [50.404829846182764]
  モデルベース最適化(MBO)では、マシンラーニングを使用して、(基底真理)オラクルと呼ばれるブラックボックス関数に対する報酬の尺度を最大化する候補を設計することに興味があります。 モデル検証中に基底オラクルに対する近似をトレーニングし、その代わりに使用することができるが、その評価は近似的であり、敵の例に対して脆弱である。 本手法は,外挿量を測定するために提案した評価フレームワークにカプセル化されている。
  論文  参考訳（メタデータ） (2022-11-19T16:57:37Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)

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。