Авторы:  (1) П. Адитья Шрикар, Amazon и эти авторы внесли равный вклад в эту работу {sreekarp@amazon.com};  (2) Сахил Верм, Amazon и эти авторы внесли равный вклад в эту работу {vrsahil@amazon.com;}  (3) Варун Мадхаван, Индийский технологический институт, Харагпур. Работа, выполненная во время стажировки в Amazon {varunmadhavan@iitkgp.ac.in};  (4) Абхишек Персад, Amazon {persadap@amazon.com}.  Таблица ссылок   Аннотация и введение   Сопутствующие работы   Методология   Эксперимент   Заключение и будущая работа   Рекомендации  5. Заключение и будущая работа  В этой статье мы представили новую структуру, основанную на архитектуре Transformer, для прогнозирования стоимости доставки в день 0. Предлагаемая нами структура кодирует атрибуты доставки посылки, то есть прейскурант посылки, в единое пространство встраивания. Эти внедрения затем передаются через уровень Transformer, который моделирует сложные взаимодействия более высокого порядка и изучает эффективное представление прейскуранта пакета для прогнозирования стоимости доставки. Наши экспериментальные результаты показывают, что предлагаемая модель, названная RCT, превосходит модель GBDT на 28,8%. Кроме того, продемонстрируйте, что RCT работает лучше, чем FT-трансформатор модели SOTA для нашей постановки задачи. Мы также показываем, что когда к модели GBDT добавляется представление прейскурантов, полученное с помощью RCT, ее производительность повышается на 12,51%. Это подчеркивает тот факт, что RCT способен изучить достаточные представления информации о прейскурантах.  В этой работе используемая информация о маршруте была ограничена только начальными и конечными узлами. Будущая работа может изучить использование нейронных сетей Graph для кодирования информации о полном маршруте. Кроме того, производительность RCT можно улучшить, изучая способы включения идентификатора элемента в качестве функции, например, используя встраивания элементов, которые доступны внутри компании.  Кроме того, хотя RCT был обучен прогнозировать только стоимость доставки, его можно модифицировать для прогнозирования всех атрибутов счета-фактуры, добавив слой декодера Transformer. Это позволит использовать другие приложения, такие как обнаружение аномалий в счетах. Кроме того, будущие исследования могут выяснить, можно ли использовать представления пакетов, полученные в результате RCT, для улучшения производительности других связанных задач или для количественной оценки неопределенности модели в каждом прогнозе с помощью подходов, подобных предложенному в Amini et al. (2019).  Этот документ   под лицензией CC BY-NC-ND 4.0 DEED. доступен на 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

Этот звук создан на языке оригинала истории!

Слишком долго; Читать

Boost your HackerNoon story @ $159.99! 🚀

Раскрытие силы самовнимания для прогнозирования стоимости доставки: выводы и будущая работа

About Author

КОММЕНТАРИИ

БИРКИ

ЭТА СТАТЬЯ БЫЛА ПРЕДСТАВЛЕНА В

Related Stories

Повысьте свою производительность с помощью этих 18 инструментов разработчика 🚀🔥

Плавание по водам: разработка RAG-приложений промышленного уровня с использованием озер данных

Как улучшить ваш рабочий процесс в 10 раз: 17 основных приложений

Руководство архитектора по созданию эталонной архитектуры для озера данных AI/ML

Повысьте свою производительность с помощью этих 18 инструментов разработчика 🚀🔥

Плавание по водам: разработка RAG-приложений промышленного уровня с использованием озер данных

Как улучшить ваш рабочий процесс в 10 раз: 17 основных приложений

Руководство архитектора по созданию эталонной архитектуры для озера данных AI/ML

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps