Scalable Property Valuation Models via Graph-based Deep Learning

要約

この論文は、ピアの依存関係を効率的にグラフ表現することで既存の深層学習ベースの自動評価モデルの機能を強化し、複雑な空間関係を把握することを目的としています。
特に、異なるメッセージ パッシング アルゴリズムを使用して、同様の特徴を持つ隣接する住宅のシーケンスを効果的に識別する 2 つの新しいグラフ ニューラル ネットワーク モデルを開発します。
最初の戦略では標準の空間グラフの畳み込みを考慮しますが、2 番目の戦略ではトランスフォーマー グラフの畳み込みを利用します。
このアプローチにより、モデリング プロセスに拡張性がもたらされます。
実験評価は、チリのサンティアゴにある約 200,000 戸の住宅からなる独自のデータセットを使用して行われます。
カスタマイズされたグラフ ニューラル ネットワークを採用すると、特にトランスフォーマー畳み込みメッセージ パッシング レイヤーを利用する場合に、住宅価格予測の精度が大幅に向上することを示します。

要約(オリジナル)

This paper aims to enrich the capabilities of existing deep learning-based automated valuation models through an efficient graph representation of peer dependencies, thus capturing intricate spatial relationships. In particular, we develop two novel graph neural network models that effectively identify sequences of neighboring houses with similar features, employing different message passing algorithms. The first strategy consider standard spatial graph convolutions, while the second one utilizes transformer graph convolutions. This approach confers scalability to the modeling process. The experimental evaluation is conducted using a proprietary dataset comprising approximately 200,000 houses located in Santiago, Chile. We show that employing tailored graph neural networks significantly improves the accuracy of house price prediction, especially when utilizing transformer convolutional message passing layers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google