論文の概要: LLM-Enhanced Multimodal House Price Prediction using Structured, Textual, and Visual Features

• arxiv url: http://arxiv.org/abs/2611.01615v1
• Date: Sun, 01 Nov 2026 06:07:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.487789
• Title: LLM-Enhanced Multimodal House Price Prediction using Structured, Textual, and Visual Features
• Title（参考訳）: 構造的・テクスト的・視覚的特徴を用いたLLMによるマルチモーダル住宅価格予測
• Abstract要約: 本稿では,解釈可能性を維持しつつ高い予測精度を実現するために,構造化属性,テキスト記述,ビジュアルイメージを統合した新しいフレームワークを提案する。 大規模言語モデルを用いて、テキストからドメイン固有の時間的特徴と文脈的特徴を導出し、教師なし言語アプローチで写真を自動的に意味のあるクラスに分類する。 提案手法は従来の手法や既存のマルチモーダルベースラインよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 8.590233188296846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate house price prediction is essential for real estate buyers, sellers, agents, and financial institutions. Traditional methods rely primarily on structured data, e.g., number of bedrooms, bathrooms, parkings, but they overlook rich contextual information embedded in textual descriptions and property photos. Previous deep learning approaches for house price prediction have fused multimodal data but they fall short to extract structured spatio-temporal and contextual features from texts and semantic visual information from images. In this paper, we introduce a novel multimodal framework that addresses these limitations by systematically integrating structured attributes, textual descriptions, and visual images of properties to achieve higher prediction accuracy while maintaining interpretability. We use a large language model to derive domain-specific spatio-temporal and contextual features from text, and an unsupervised vision-language approach to automatically group photos into meaningful classes like indoor, outdoor, mixed, or floorplan, that are commonly present in real-world house listings. These categories are created without manual labeling by aligning image clusters with carefully designed pseudo text prompts. We fuse all features into a unified representation and use an optimized regressor to predict prices. Experiments on a large real-world property dataset demonstrate that our method outperforms traditional methods and existing multimodal baselines. Ablation studies confirm that the novel textual feature extraction and categorized visual embeddings substantially contribute to more accurate and reliable price predictions.
• Abstract（参考訳）: 不動産購入者、売り手、エージェント、金融機関にとって正確な住宅価格予測は不可欠である。 従来の手法は主に、寝室数、浴室数、駐車場数などの構造化データに依存するが、テキスト記述やプロパティ写真に埋め込まれたリッチなコンテキスト情報を見落としている。 住宅価格予測のための従来のディープラーニングアプローチは、マルチモーダルデータを融合しているが、テキストから時空間的・文脈的な構造的特徴を抽出し、画像から意味的な視覚情報を抽出するには不十分である。 本稿では,構造的属性やテキスト記述,プロパティの視覚的イメージを体系的に統合し,解釈性を維持しつつ高い予測精度を実現することで,これらの制約に対処する新しいマルチモーダルフレームワークを提案する。 大規模言語モデルを用いて、テキストからドメイン固有の時空間的特徴や文脈的特徴を抽出し、教師なしの視覚言語アプローチを用いて、写真を自動的に屋内、屋外、混合、フロアプランなどの意味のあるクラスに分類する。 これらのカテゴリは、画像クラスタと慎重に設計された擬似テキストプロンプトをアライメントすることで、手動でラベル付けせずに作成される。 すべての機能を統一された表現に融合し、最適化された回帰器を使用して価格を予測する。 提案手法は従来の手法や既存のマルチモーダルベースラインよりも優れていることを示す。 アブレーション研究は、新しいテキストの特徴抽出と分類された視覚的埋め込みが、より正確で信頼性の高い価格予測に大きく貢献することを確認した。

関連論文リスト

• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• Context Matters: Leveraging Contextual Features for Time Series Forecasting [2.9687381456164004]
  既存の予測モデルにマルチモーダルなコンテキスト情報を外科的に統合する新しいプラグイン・アンド・プレイ手法であるContextFormerを導入する。 ContextFormerは、カテゴリ、連続、時間変化、さらにはテキスト情報を含む、リッチなマルチモーダルコンテキストから予測固有の情報を効果的に蒸留する。 エネルギー、交通、環境、金融ドメインにまたがるさまざまな実世界のデータセットにおいて、SOTA予測モデルを最大30%上回ります。
  論文  参考訳（メタデータ） (2024-10-16T15:36:13Z)
• Compositional Entailment Learning for Hyperbolic Vision-Language Models [54.41927525264365]
  画像とテキストのペアを超えて、双曲的埋め込みの自然的階層性を完全に活用する方法を示す。 双曲型視覚言語モデルのための構成的包摂学習を提案する。 数百万の画像テキストペアで訓練された双曲型視覚言語モデルに対する経験的評価は、提案手法が従来のユークリッドCLIP学習より優れていることを示している。
  論文  参考訳（メタデータ） (2024-10-09T14:12:50Z)
• A Multi-Modal Deep Learning Based Approach for House Price Prediction [19.02810406484948]
  住宅のより正確な表現を学習するために,様々なタイプのデータを活用するマルチモーダルディープラーニング手法を提案する。 特に, 住宅属性, 地理空間近傍, および最も重要な特徴は, 住宅を表わすテキスト記述や画像から学習する。 その結果、住宅広告記述のテキスト埋め込みと住宅画像のイメージ埋め込みは、住宅価格予測精度を著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2024-09-09T05:26:33Z)
• ARTIST: Improving the Generation of Text-rich Images with Disentangled Diffusion Models and Large Language Models [52.23899502520261]
  本稿では,テキスト構造の学習に特化するために,専用のテキスト拡散モデルを組み込んだARTISTという新しいフレームワークを紹介する。 我々は、事前訓練されたテキスト構造モデルからテキスト構造情報を同化できるように、視覚拡散モデルを微調整する。 この歪んだアーキテクチャ設計とトレーニング戦略は、テキストリッチな画像生成のための拡散モデルのテキストレンダリング能力を著しく向上させる。
  論文  参考訳（メタデータ） (2024-06-17T19:31:24Z)
• Diffusion Models for Open-Vocabulary Segmentation [79.02153797465324]
  OVDiffは、教師なしオープン語彙セグメンテーションに生成テキストから画像への拡散モデルを利用する新しい手法である。 トレーニング済みのコンポーネントのみに依存し、トレーニングなしで合成セグメンタを直接出力する。
  論文  参考訳（メタデータ） (2023-06-15T17:51:28Z)
• TRIE++: Towards End-to-End Information Extraction from Visually Rich Documents [51.744527199305445]
  本稿では,視覚的にリッチな文書からエンド・ツー・エンドの情報抽出フレームワークを提案する。 テキスト読み出しと情報抽出は、よく設計されたマルチモーダルコンテキストブロックを介して互いに強化することができる。 フレームワークはエンドツーエンドのトレーニング可能な方法でトレーニングでき、グローバルな最適化が達成できる。
  論文  参考訳（メタデータ） (2022-07-14T08:52:07Z)

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。