文献

J-GLOBAL ID：202002240674648736   整理番号：20A1196106

残留値予測のための深いマルチタスク手法【JST・京大機械翻訳】

A Deep Multi-task Approach for Residual Value Forecasting

著者 (6件)： Rashed Ahmed (Information Systems and Machine Learning Lab, University of Hildesheim, Hildesheim, Germany) ,  Jawed Shayan (Information Systems and Machine Learning Lab, University of Hildesheim, Hildesheim, Germany) ,  Rehberg Jens (Volkswagen Financial Services AG, Braunschweig, Germany) ,  Grabocka Josif (Information Systems and Machine Learning Lab, University of Hildesheim, Hildesheim, Germany) ,  Schmidt-Thieme Lars (Information Systems and Machine Learning Lab, University of Hildesheim, Hildesheim, Germany) ,  Hintsches Andre (Volkswagen Financial Services AG, Braunschweig, Germany)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 11908  ページ： 467-482  発行年： 2020年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 残留値予測は多くの分野で重要な役割を果たしている。例えば,車両が契約を価格決定することである。高い予測精度は,いかなる過大評価も顧客の不満による損失を失うので重要であり,一方,過小評価は,賃asing契約の終わりに自動車を取り戻すとき,収入の直接損失をもたらす。現在の予測モデルは,主に歴史的販売記録の傾向分析に依存している。しかし,これらのモデルは,これらのモデルが新しいデータで更新できる周波数を制限するそれらの記録をフィルタ処理し,前処理するために,広範囲な手動ステップを必要とする。自動化するために,残差値予測を改善し,速度を上げるために,著者らは,主な目標として残差値そのもの以外に利用するマルチタスクモデルを提案し,それは共同ターゲットとして駆動された実際の走行距離である。従来の有用なモデルを注意深い特徴工学と組み合わせている一方で,実際に駆動された走行距離のような更なる量が更なる有用な情報を含むことを示した。この情報は契約が行われている場合には利用できず,予測が行われているので,訓練共同ターゲットとして実際の走行を用いるマルチタスクモデルとして問題をモデル化する。3つのVolkswagen自動車モデルに関する実験は,提案したモデルが,単一目標回帰問題として,直線的モデル化より著しく優れていることを示した。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 自動化 ,  価格決定 ,  自動車 ,  前処理 ,  フィルタリング ,  *残差 ,  走行距離 ,  予測モデル
準シソーラス用語： 値予測 ,  予測精度 ,  *マルチタスク ,  マルチタスク学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： マルチタスク学習 ,  残留値予測 ,  価格決定 ,  自動車産業

分類 (1件)： 医用情報処理  (JE15030Q)

タイトルに関連する用語 (4件)： 残留 ,  値予測 ,  マルチタスク ,  手法