Auteurs:  (1) P Aditya Sreekar, Amazon et ces auteurs ont contribué à parts égales à ce travail {sreekarp@amazon.com} ;  (2) Sahil Verm, Amazon et ces auteurs ont contribué à parts égales à ce travail {vrsahil@amazon.com;}  (3) Varun Madhavan, Institut indien de technologie, Kharagpur. Travail effectué lors d'un stage chez Amazon {varunmadhavan@iitkgp.ac.in} ;  (4) Abhishek Persad, Amazone {persadap@amazon.com}.  Tableau des liens   Résumé et introduction   Travaux connexes   Méthodologie   Expérience   Conclusion et travaux futurs   Les références  5. Conclusion et travaux futurs  Dans cet article, nous avons présenté un nouveau cadre basé sur l'architecture Transformer pour prédire les coûts d'expédition au jour 0. Notre cadre proposé code les attributs d'expédition d'un colis, c'est-à-dire la grille tarifaire du colis, dans un espace d'intégration uniforme. Ces intégrations sont ensuite transmises à une couche Transformer, qui modélise des interactions complexes d'ordre supérieur et apprend une représentation efficace de la grille tarifaire du colis pour prédire les coûts d'expédition. Nos résultats expérimentaux démontrent que le modèle proposé, appelé RCT, surpasse le modèle GBDT de 28,8 %. De plus, démontrez que le RCT fonctionne mieux que le modèle SOTA FT-Transformer pour notre énoncé du problème. Nous montrons également que lorsque la représentation de la grille tarifaire apprise par RCT est ajoutée au modèle GBDT, ses performances sont améliorées de 12,51 %. Cela souligne le fait que RCT est capable d’apprendre des représentations suffisantes des informations de la grille tarifaire.  Dans ce travail, les informations d'itinéraire utilisées étaient limitées aux seuls nœuds de début et de fin. Des travaux futurs pourraient explorer l’utilisation des réseaux de neurones graphiques pour coder des informations sur l’itinéraire complet. En outre, les performances du RCT pourraient être améliorées en explorant des moyens d'inclure l'ID d'élément en tant que fonctionnalité, comme l'utilisation d'intégrations d'éléments disponibles en interne.  De plus, alors que le RCT a été formé pour prédire uniquement le coût du navire, il peut être modifié pour prédire tous les attributs de la facture en ajoutant une couche de décodeur Transformer. Cela permettrait d’autres applications comme la détection des anomalies de facture. De plus, des recherches futures pourraient déterminer si les représentations de packages apprises par le RCT peuvent être utilisées pour améliorer les performances d'autres tâches connexes ou pour quantifier l'incertitude du modèle dans chaque prédiction via des approches telles que celle proposée dans Amini et al. (2019).  Cet article est   sous licence CC BY-NC-ND 4.0 DEED. disponible sur arxiv

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

Cet audio est produit dans la langue originale de l'histoire !

Trop long; Pour lire

Boost your HackerNoon story @ $159.99! 🚀

Dévoiler le pouvoir de l’auto-attention pour la prévision des coûts d’expédition : conclusion et travaux futurs

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Croissance des crypto-monnaies : créer des profils d'utilisateurs efficaces

Les couches invisibles : pourquoi les entretiens avec les utilisateurs sont un atout irremplaçable

Le guide complet pour réussir une migration vers le cloud : stratégies et bonnes pratiques

Guide de l'architecte pour créer une architecture de référence pour un datalake IA/ML

Croissance des crypto-monnaies : créer des profils d'utilisateurs efficaces

Les couches invisibles : pourquoi les entretiens avec les utilisateurs sont un atout irremplaçable

Le guide complet pour réussir une migration vers le cloud : stratégies et bonnes pratiques

Guide de l'architecte pour créer une architecture de référence pour un datalake IA/ML

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps