Autoren:  (1) P Aditya Sreekar, Amazon und diese Autoren haben zu gleichen Teilen zu dieser Arbeit beigetragen {sreekarp@amazon.com};  (2) Sahil Verm, Amazon und diese Autoren haben zu gleichen Teilen zu dieser Arbeit beigetragen {vrsahil@amazon.com;}  (3) Varun Madhavan, Indian Institute of Technology, Kharagpur. Arbeit, die während des Praktikums bei Amazon erledigt wurde {varunmadhavan@iitkgp.ac.in};  (4) Abhishek Persad, Amazon {persadap@amazon.com}.  Linktabelle   Zusammenfassung und Einleitung   Verwandte Arbeiten   Methodik   Experiment   Schlussfolgerung und zukünftige Arbeit   Verweise  5. Schlussfolgerung und zukünftige Arbeit  In diesem Artikel haben wir ein neuartiges Framework auf Basis der Transformer-Architektur zur Vorhersage von Versandkosten am Tag 0 vorgestellt. Unser vorgeschlagenes Framework kodiert Versandattribute eines Pakets, d. h. die Paketpreisliste, in einen einheitlichen Einbettungsraum. Diese Einbettungen werden dann durch eine Transformer-Schicht geleitet, die komplexe Interaktionen höherer Ordnung modelliert und eine effektive Darstellung der Paketpreisliste zur Vorhersage von Versandkosten lernt. Unsere experimentellen Ergebnisse zeigen, dass das vorgeschlagene Modell namens RCT das GBDT-Modell um 28,8 % übertrifft. Darüber hinaus zeigen wir, dass RCT für unsere Problemstellung eine bessere Leistung erbringt als das SOTA-Modell FT-Transformer. Wir zeigen auch, dass sich die Leistung des GBDT-Modells um 12,51 % verbessert, wenn die von RCT erlernte Preiskartendarstellung zum GBDT-Modell hinzugefügt wird. Dies unterstreicht die Tatsache, dass RCT in der Lage ist, ausreichende Darstellungen von Preiskarteninformationen zu erlernen.  In dieser Arbeit beschränkten sich die verwendeten Routeninformationen auf die Start- und Endknoten. Zukünftige Arbeiten könnten die Verwendung von Graph Neural Networks zur Kodierung von Informationen über die gesamte Route untersuchen. Darüber hinaus könnte die Leistung des RCT verbessert werden, indem Möglichkeiten untersucht werden, die Artikel-ID als Funktion einzubinden, z. B. durch die Verwendung von Artikeleinbettungen, die intern verfügbar sind.  Während das RCT darauf trainiert wurde, nur die Versandkosten vorherzusagen, kann es durch Hinzufügen einer Transformer-Decoderschicht so modifiziert werden, dass es alle Attribute der Rechnung vorhersagt. Dies würde andere Anwendungen wie die Erkennung von Rechnungsanomalien ermöglichen. Darüber hinaus könnte in zukünftigen Forschungsarbeiten untersucht werden, ob die vom RCT erlernten Paketdarstellungen verwendet werden können, um die Leistung anderer verwandter Aufgaben zu verbessern oder die Modellunsicherheit bei jeder Vorhersage über Ansätze wie den von Amini et al. (2019) vorgeschlagenen zu quantifizieren.  Dieses Dokument ist   . auf arxiv unter der Lizenz CC BY-NC-ND 4.0 DEED verfügbar

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

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Zu lang; Lesen

Boost your HackerNoon story @ $159.99! 🚀

Die Macht der Selbstaufmerksamkeit zur Vorhersage von Versandkosten enthüllen: Fazit und zukünftige Arbeit

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded 2024: Celebrating Our Life Hacking Community!

HackerNoon's DeFi Writing Contest with SORA Network: XSTUSD Use Cases

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

HackerNoon Decoded 2024: Celebrating Our Data Science Community!

HackerNoon Decoded 2024: Celebrating Our Life Hacking Community!

HackerNoon's DeFi Writing Contest with SORA Network: XSTUSD Use Cases

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

HackerNoon Decoded 2024: Celebrating Our Data Science Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps