面向跨城市房产评估框架的同质特征迁移与异质位置微调
机器学习
2018-12-14 v1 计算机与社会
摘要
大多数现有房地产评估方法侧重于从给定数据集构建准确可靠的模型，却很少关注其训练模型的可扩展性。由于不同城市通常包含不同的位置特征集（行政区名、小区名），大多数现有批量评估方法不得不为不同城市或地区从头训练新模型。因此，这些方法需为每个城市收集海量数据，且多城市房产评估系统的总训练时间将极长。此外，某些小城市可能没有足够数据训练鲁棒评估模型。为克服这些局限，我们提出一种新颖的同质特征迁移与异质位置微调（HFT+HLF）跨城市房产评估框架。通过从源城市迁移部分神经网络学习并在目标城市少量位置信息上微调，我们的半监督模型可达到与全监督人工神经网络（ANN）方法相似甚至更优的性能。
引用
@article{arxiv.1812.05486,
title = {Homogeneous Feature Transfer and Heterogeneous Location Fine-tuning for Cross-City Property Appraisal Framework},
author = {Yihan Guo and Shan Lin and Xiao Ma and Jay Bal and Chang-tsun Li},
journal= {arXiv preprint arXiv:1812.05486},
year = {2018}
}
备注
Accepted by AusDM 2018