저자:  (1) P Aditya Sreekar, Amazon 및 이들 저자는 이 작업에 동등하게 기여했습니다 {sreekarp@amazon.com}.  (2) Sahil Verm, Amazon 및 이들 저자는 이 작업에 동등하게 기여했습니다. {vrsahil@amazon.com;}  (3) Varun Madhavan, 인도 공과대학, Kharagpur. Amazon {varunmadhavan@iitkgp.ac.in}에서 인턴십 중에 수행한 작업  (4) Abhishek Persad, Amazon {persadap@amazon.com}.  링크 표   초록 및 소개   관련 작품   방법론   실험   결론 및 향후 작업   참고자료  5. 결론 및 향후 연구  본 논문에서는 0일차 배송 비용을 예측하기 위한 Transformer 아키텍처 기반의 새로운 프레임워크를 제시했습니다. 제안된 프레임워크는 패키지의 배송 속성, 즉 패키지 요율표를 균일한 임베딩 공간으로 인코딩합니다. 그런 다음 이러한 임베딩은 복잡한 고차 상호 작용을 모델링하고 배송 비용을 예측하기 위한 패키지 요율표의 효과적인 표현을 학습하는 Transformer 레이어를 통해 공급됩니다. 우리의 실험 결과는 RCT라고 불리는 제안된 모델이 GBDT 모델보다 28.8% 더 나은 성능을 보인다는 것을 보여줍니다. 또한 문제 설명에 대해 RCT가 SOTA 모델 FT-Transformer보다 더 나은 성능을 발휘함을 보여줍니다. 또한 RCT로 학습한 요율표 표현을 GBDT 모델에 추가하면 성능이 12.51% 향상되는 것을 보여줍니다. 이는 RCT가 요율표 정보에 대한 충분한 표현 표현을 학습할 수 있다는 사실을 강조합니다.  이 작업에서는 사용된 경로 정보가 시작 및 끝 노드로만 제한되었습니다. 향후 연구에서는 그래프 신경망을 사용하여 전체 경로에 대한 정보를 인코딩하는 방법을 모색할 수 있습니다. 또한 내부적으로 사용 가능한 항목 임베딩을 사용하는 등 항목 ID를 기능으로 포함하는 방법을 탐색하면 RCT의 성능이 향상될 수 있습니다.  또한 RCT는 배송 비용만 예측하도록 학습되었지만 Transformer 디코더 레이어를 추가하여 송장의 모든 속성을 예측하도록 수정할 수 있습니다. 이를 통해 송장 이상 감지와 같은 다른 애플리케이션이 가능해집니다. 또한 향후 연구에서는 RCT에서 학습한 패키지 표현을 사용하여 다른 관련 작업의 성능을 향상하거나 Amini 등이 제안한 것과 같은 접근 방식을 통해 각 예측의 모델 불확실성을 정량화할 수 있는지 여부를 조사할 수 있습니다. (2019).  이 문서는 CC BY-NC-ND 4.0 DEED 라이센스에 따라   있습니다. arxiv에서 볼 수

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

Publications in convolution, driving breakthroughs in signal processing and artificial intelligence.

Convolution's blog

이 오디오는 이야기의 원래 언어로 제작되었습니다!

배송비 예측을 위한 자기주의의 힘 공개: 결론 및 향후 연구

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

AI/ML 데이터레이크용 참조 아키텍처 구축을 위한 설계자 가이드

Crypto Growth: 효과적인 사용자 페르소나 만들기

바다 항해: 데이터 레이크를 사용하여 프로덕션 등급 RAG 애플리케이션 개발

탭하여 수익 창출: 텔레그램에서 솔라나 이전에 100억 명의 암호화폐 사용자를 확보할 수 있음

AI/ML 데이터레이크용 참조 아키텍처 구축을 위한 설계자 가이드

Crypto Growth: 효과적인 사용자 페르소나 만들기

바다 항해: 데이터 레이크를 사용하여 프로덕션 등급 RAG 애플리케이션 개발

탭하여 수익 창출: 텔레그램에서 솔라나 이전에 100억 명의 암호화폐 사용자를 확보할 수 있음

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps