• 学术相关
  • 分享丨想要买到低价机票？随耶鲁教授最新研究了解航空公司的定价机制究竟是怎样的
  • ICCV2021 Best Paper：Swin Transformer是如何炼成的!
    • 整体架构
    • Swin Transformer块
    • 基于自注意力的Shifted Window
    • 相对位置偏差
    • 架构变体
    • 实验结果
    • 消融实验
  • Examing the Efficacy of Time Scarcity Marketing Promotions in Online Retail
  • 《营销科学学报》丨刘行，徐云杰：衡量个体在网络中受到的社会影响——四种指标的对比
• 业界动态
  • 秦朔朋友圈丨宠物是孤独感的良方吗？
• 技术技巧
  • 免费遥感数据
    • 综合遥感数据
    • 夜光遥感数据
  • 后台管理系统模板：Soybean Admin

学术相关

分享丨想要买到低价机票？随耶鲁教授最新研究了解航空公司的定价机制究竟是怎样的¹

这篇文章感觉有些吃不消，先留中吧orz sad

对于一些具有易腐性库存的市场，如飞机座位，企业通常会采用动态定价模型。在这类市场，价格调整会受到多种因素影响。首先，价格反映了由需求不确定性导致的机会成本变量——在稀缺的情况下，今天出售一单元存货的成本取决于企业未来出售存货的能力。其次，需求可能会随时间以可预见的方式变化。例如一些愿意出高价的用户偏向晚购买，那么企业就有节约库存的动机。最后，调整价格可能是在回应竞争互作。前人对易腐性市场动态定价的研究大多忽视了竞争因素。本文构建了一个研究动态价格竞争的框架，分析它如何对市场效率产生不利影响，以及如何通过替代定价机制提升整体福利。

考虑两条航行为同一行程售卖座位，需求是不确定的。对于单一的计划者而言，会在最开始设定高价，这样可以拥有对未来高价值消费者分配座位的保留价值。然而，当竞争企业参与竞争定价后，激烈竞争会导致无效率的低价提前出现，即在距离出发时间远的时候会过度提供订票服务；在距离出发时间近的时候会出现票量不足的情况——Bertrand Scarcity trap。这一市场低效现象虽然在恒定需求情况下也会出现，但当晚到买家具有更高价值的情况下会恶化。

作者构建的框架将单智能体动态定价模型拓展到寡头垄断情境，并考虑了对任意数量的差异化产品和企业的不确定的时变需求。企业拥有有限初始库存的外生禀赋，需求满足一般规律条件，消费者依据时变泊松过程随机到达，其偏好取决于到达时间。到达后，消费者会决定是购买在售产品还是退出市场。在这期间企业会在观察所有剩余库存后同时选择价格，满足需求并更新剩余库存。这一过程在抵达时间结点或产品售空前会反复持续，截止日期后的剩余库存报废。作者描述了马尔可夫完全均衡，其中与报酬相关的状态是剩余库存和时间向量。

ICCV2021 Best Paper：Swin Transformer是如何炼成的!²

之前有用过Swin Transformer做过一个计算机视觉的数据分析，效果非常好，所以一直想看一下原理。

Swin Transformer（层级Transformer/金字塔结构）提出的动机是源自自然语言处理的Transformer不能很好地处理CV领域数据的特异性。它的核心是采用了转移窗口方案而非滑动窗口，使它能够将自注意计算限制在非重叠的局部窗口内，同时允许跨窗口连接，进而令这一层级架构可以灵活地在各种尺度上建模，且拥有线性计算复杂度。作者希望构建视觉与自然语言处理的统一模型架构。

这一研究的起点在于，作者观察到将NLP的Transformer应用到CV领域主要面临两大挑战：视觉元素尺度差异大（之前的基于Transformer模型均采用固定尺度）、图像分辨率高（计算复杂度过高）。

整体架构

Swin Transformer首先将输入的RGB图像使用图像块分割模型如ViT，划分为不重叠的patches，每一个块被视作NLP中的token，它的特征是原始像素RGB值的拼接。在实践中，作者将patch的大小设置为$4\times 4$，因此每个patch的特征维度为$4\times4\times3=48$。然后通过一个线性Embedding层将原始特征值映射到任意维度$C$。

接着，作者对这些图像块tokens应用了多个使用修改的自注意计算Transformer块——Swin Transformer块，它不会改变tokens数量（$\frac{H}{4}\times\frac{W}{4}$）。

之后作者构建了图像块融合层，保证tokens数量随网络加深而减少，构成金字塔结构。第一个图像块融合层Patch Merging连接每组$2\times2$相邻的图像块，使用的是线性层在$4C$维度连接特征，这样tokens数量降低了$2\times2=4$倍，分辨率下降2倍（$\frac{H}{4\times2}\times\frac{W}{4\times2}$），特征输出维度为2C。之后重复应用Swin Transformer块和Patch Merging层2次，输出分别为$\frac{H}{16}\times\frac{W}{16}$、$\frac{H}{32}\times\frac{W}{32}$。

由于Swin Transformer的金字塔结构与典型卷积神经网络（如VGG、ResNet）一致，因此它可以便利地替换到现有方法的骨架结构。

Swin Transformer块

Swin Transformer将Transformer块中的标准多头自注意力MSA模型替换为转移窗口shifted Windows，其余保持一致。它包含一个层规范化LN层，一个基于MSA模型的转移窗口，再使用一个LN层，接2层使用GELU非线性的MLP，并将残差连接。

基于自注意力的Shifted Window

标准的Transformer架构采用全局自注意力机制，导致其时间复杂度是tokens数量的二次方，不适用于高分辨率图像。

Swin Transformer将图像均匀分割为多个包含$M\times M$个patches的窗口（默认$M=7$，示例中$M=4$），这样对于一个具有$h\times w$ patches的图像，计算的时间复杂度就从采用全局自注意力机制的标准MSA$\Omega(MSA)=4hwC^2+2(hw)^2C$下降到了$\Omega(W-MSA)= 4hwC^2+2M^2hwC$。

基于窗口的自注意力模块缺乏窗口间的连接，这会限制模型能力。为解决这一问题，作者提出了shifted Window划分方法，并在连续的Swin Transformer块之间交替使用两种划分配置。

第一次使用窗口划分策略时，采用从左上角开始，平均划分为多个$M\times M$的窗口。第二次划分则将位移$([\frac{M}{2}],[\frac{M}{2}])$个像素。

令$\hat{z}^l$为块$l$的(S)W-MSA模型输出特征，$z^l$为MLP模型输出特征，在位移窗口划分方法后，Swin Transformer块的计算公式为：

$\begin{align}\hat{z}^l&=W-MSA(LN(z^{l-1}))+z^{l-1}\\ z^l&=MLP(LN(\hat{z}^l))+\hat{z}^l\\ \hat{z}^{l+1}&=SW-MSA(LN(z^l))+z^l\\ z^{l+1}&=MLP(LN(\hat{z}^{l+1}))+\hat{z}^{l+1}\end{align}$

Shifted Windows带来的一个问题是边缘的窗口需要额外的补全（如果采用Padding策略），会产生额外的计算消耗，因此作者提出了更高效的批计算方法——循环位移策略。在循环位移转换后，由于一个批窗口可能由多个实际不相邻的子窗户组成，因此需要采用Mask机制将自注意力计算限制在子窗口内。

相对位置偏差

在计算自注意力时，作者遵循了添加相对位置偏差$B\in\mathbb{R}^{M^2\times M^2}$的方法，$Attention(Q,K,V) = SoftMax(QK^T/\sqrt{d}+B)V$。

架构变体

实验中，作者将窗口大小默认是为$M=7$，每个head查询维度$d=32$，MLP的expansion层$\alpha=4$。

模型变体超参数：

• Swin-T: C=96, layer numbers = {2, 2, 6, 2}
• Swin-S: C=96, layer numbers = {2, 2, 18, 2}
• Swin-B: C=128, layer numbers = {2, 2, 18, 2}
• Swin-L: C=192, layer numbers = {2, 2, 18, 2}

其中$C$为第一阶段隐藏层的通道数，基本模型采用Swin-B。

实验结果

• 任务
  • ImageNet-1K图像分类
    • 
  • COCO目标检测
  • ADE20K语义分割

消融实验

Examing the Efficacy of Time Scarcity Marketing Promotions in Online Retail³

《营销科学学报》丨刘行，徐云杰：衡量个体在网络中受到的社会影响——四种指标的对比⁴

作者提出重点考虑受影响者对影响者页面访问的频率，作者使用$\frac{访问频率}{关注天数}$衡量。作者找到了一个比较有趣的网站，是台湾省美妆心得论坛，目前论坛的网址有少许变化。作者数据采集时间为2008年8月，当时是可以查看消费者访问数据的，但现在我没找到。

这种具有特殊数据类型的网站真的要随时积累，一旦发现就应该立即采集，机不可失。之前的那篇tweeter推广的论文也是找到了独特的活动机会。

业界动态

秦朔朋友圈丨宠物是孤独感的良方吗？

场规模约为3117亿元。随着宠物家庭渗透率和行业成熟度持续提升，宠物消费市场未来依然会保持增长态势。预计2023年市场规模约为3924亿元，2019～2023年复合增长率可达33%。宠物主在单只宠物上的年均花费高达5200元左右，主要分布在宠物食物和宠物健康医疗上，占比均超过90%。在消费低迷的环境下，仍能保持如此产业增速，不得不带动资本市场对宠物经济的关注。

4月25日，佩蒂股份发布2022年年报，公司去年实现营业收入17.32亿元，同比增长36.27%；归属于上市公司股东的净利润1.27亿元，同比增长111.81%。路斯股份去年营收同比增长19.65%，归母净利润同比增长41.94%；依依股份去年营收同比增长15.75%，归母净利润同比增长31.96%；天元宠物去年营业收入同比增长1.75%，归母净利润同比增长19.75%。

在家养宠物的品类里 ，猫咪已经超过狗，成为了增速最快的一个类别。

由人民日报健康客户端、健康时报、好心情心理医疗和心理健康数字服务平台等机构共同发布的《2022年国民抑郁症蓝皮书》报告则显示，目前我国患抑郁症人数达9500万人，18岁以下抑郁症患者占总人数的30.28%，超2800万人。在抑郁症患者群体中，50%的抑郁症患者为学生。

由于一级市场的股权投资机构目前已经把更多注意力转移到了新能源等硬科技赛道，诸多基金消费品团队也基本完成了人员优化。宠物行业所属的消费品赛道已经很久没有听到一线基金布局的消息了，反倒是宠物、食品、疫苗领域已经上市的集团战略投资部门屡屡出手，布局宠物这个细分板块。

孤单经济带来的宠物行业有以上诸多细分业务，并不是每个业务的生意都欣欣向荣。

技术技巧

免费遥感数据

综合遥感数据

中科院数据云

地理国情检测云平台

遥感集市

国家地球系统科学数据中心

USGS美国地质勘探局：EO-1、Landsat、Sentinel等

LAADS NASA戈达德航天中心：MODIS、Envisat、Sentinel等

欧洲航天局哥白尼开放数据访问中心

夜光遥感数据

NOAA EOG 美国国家海洋和大气管理地球观测小组的数据平台：VIIRS、DMSP、NightSat等

珞珈一号

后台管理系统模板：Soybean Admin

文档

技术栈： Vue3 + Vite3 + TS + NaiveUI + UnoCSS

• Previous
  【阅】本周阅读摘选2023-05-22 → 2023-05-28
• Next
  【阅】本周阅读摘选2023-06-05 → 2023-06-11