Meta-Transfer Learning Empowered Temporal Graph Networks for Cross-City Real Estate Appraisal

要約

不動産評価は、不動産取引、投資分析、不動産課税などのさまざまな取り組みにとって重要です。
最近、ディープラーニングは、Web プラットフォームからの大量のオンライン取引データを活用することにより、不動産評価に大きな期待を寄せています。
それにもかかわらず、ディープラーニングは大量のデータを必要とするため、データが限られている巨大な小規模都市には簡単には適用できない可能性があります。
この目的を達成するために、私たちは、評価パフォーマンスを向上させるために、データが豊富な複数の大都市からデータが不足している都市に貴重な知識を転送する、メタ転送学習強化型時間グラフ ネットワーク (MetaTransfer) を提案します。
具体的には、関連する住宅コミュニティとの成長を続ける不動産取引を時間イベント異種グラフとしてモデル化することで、まずイベントトリガー型時間グラフネットワークを設計し、進化する不動産取引間の不規則な時空間相関をモデル化します。
さらに、都市全体の不動産評価をマルチタスクの動的グラフリンクラベル予測問題として定式化し、都市内の各コミュニティの評価を個別のタスクと見なします。
ハイパーネットワークベースのマルチタスク学習モジュールは、複数のコミュニティ間での都市内の知識共有と、コミュニティごとの不動産価格分布に対応するタスク固有のパラメータ生成を同時に促進するために提案されています。
さらに、複数のソース都市からのトレーニング トランザクション インスタンスの重み付けを適応的に再調整して負の移転を軽減し、都市間の知識移転の効率を向上させる、トライレベル最適化ベースのメタ学習フレームワークを提案します。
最後に、5 つの現実世界のデータセットに基づく広範な実験により、11 のベースライン アルゴリズムと比較して MetaTransfer が大幅に優れていることが実証されました。

要約(オリジナル)

Real estate appraisal is important for a variety of endeavors such as real estate deals, investment analysis, and real property taxation. Recently, deep learning has shown great promise for real estate appraisal by harnessing substantial online transaction data from web platforms. Nonetheless, deep learning is data-hungry, and thus it may not be trivially applicable to enormous small cities with limited data. To this end, we propose Meta-Transfer Learning Empowered Temporal Graph Networks (MetaTransfer) to transfer valuable knowledge from multiple data-rich metropolises to the data-scarce city to improve valuation performance. Specifically, by modeling the ever-growing real estate transactions with associated residential communities as a temporal event heterogeneous graph, we first design an Event-Triggered Temporal Graph Network to model the irregular spatiotemporal correlations between evolving real estate transactions. Besides, we formulate the city-wide real estate appraisal as a multi-task dynamic graph link label prediction problem, where the valuation of each community in a city is regarded as an individual task. A Hypernetwork-Based Multi-Task Learning module is proposed to simultaneously facilitate intra-city knowledge sharing between multiple communities and task-specific parameters generation to accommodate the community-wise real estate price distribution. Furthermore, we propose a Tri-Level Optimization Based Meta- Learning framework to adaptively re-weight training transaction instances from multiple source cities to mitigate negative transfer, and thus improve the cross-city knowledge transfer effectiveness. Finally, extensive experiments based on five real-world datasets demonstrate the significant superiority of MetaTransfer compared with eleven baseline algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google