基于图像的房地产鉴定
本研究使用深度卷积神经网络对一大量室内外照片进行分析，以评价房屋的外观对市场价值的影响，并基于照片和房屋特征开发出自动估价方法，结果表明本方法优于 Zillow 对房屋价格的估计。
Jul, 2017
本文提出一种利用自监督视觉转换器的新方法来进行房地产估值，该算法利用了机器学习、计算机视觉和房地产数据训练模型来预测一个给定物业的价值。通过使用房屋内部、外部和街景等定性图像以及卧室数、浴室数、平方英尺、土地面积、物业年龄、犯罪率和邻近便利设施等定量特征来评估我们的算法，我们发现该技术能够准确地预测物业的价值，并比传统评估方法表现更好。
Jan, 2023
该研究提出了一种基于多任务层次图表示学习（MugRep）的房地产精确估价框架，通过获取和集成多源城市数据，构建一个丰富的特征集，包括地理分布、人类流动分布和居民人口统计分布，并提出了一种异步时空依赖性的房地产交易图和相关事件图卷积模块，以及一种分层异质社区图卷积模块，以捕捉住宅社区之间的多样化关系，并引入了一种城市区域划分的多任务学习模块，用于为房地产生成具有不同分布的价值意见。
Jul, 2021
本文提出了一种自动房价估值系统，通过从房屋照片中提取视觉特征并将其与文本信息相结合，使用全连接多层神经网络模型估算房屋价格。我们创建了一个庞大的房屋数据集，并证明添加视觉特征可以显著提高模型表现。
Sep, 2016
研究提出了一种基于相似度的资产估值模型，利用预先训练的 EfficientNet 神经网络结合深度学习和基于树的模型来评估地块相似性，从而提高泰国国内房地产估价方法的准确性和可靠性。
May, 2023
本文介绍了关于多视图学习方法在房地产评估方面的应用，同时针对多核学习、多视图串联和多视图神经网络三种方法进行实证研究，并得出多视图神经网络预测性能最好，但是也存在不透明的 “黑匣子” 模型的缺点，因此建议使用混合多视图神经网络或 Boosting 策略作为替代方案。
May, 2021
人工智能生成的信息的公开可能会彻底改变市场，并对经济动态产生出乎经济学家预料的影响，使得模型和思维方式过时。尽管房地产的超通胀并不是一种新现象，但在 12 年来的持续和几乎单调的存在中，与 Zillow 这一成功的大批量房地产估价器（MREE）提供的公共估价信息的突出地位相吻合，这一现象无法被忽视。我们模拟的是 MREE 和房主之间的重复性理论博弈，其中每个玩家都拥有秘密信息和专业知识。如果意图是确保住房的负担能力并保持旧的美国生活方式，需要面对新的挑战。模拟结果显示，将 MREE 风格的价格估计可用性局限于选择性合作的房地产可能会在一定程度上减少反馈循环，从而影响其潜在原因，正如实验模拟模型所建议的那样。根据逻辑解释，验证了 MREE 对房地产通胀率的压力与绝对 MREE 估计误差相关的猜测，在模拟中得到了验证。
Mar, 2024
本研究主要关注两个关键挑战：一是探索被低估的兴趣点对房地产价值的影响，强调了数据驱动的特征选择方法的必要性；二是整合基于道路网络的面积嵌入以增强房地产评估的空间理解。我们提出了一种改进的兴趣点特征提取方法，并讨论了每个兴趣点对于房价评估的影响。然后，我们提出了 AMMASI 模型，它是对现有 ASI 模型的改进，利用地理邻居房屋和相似特征房屋上的遮蔽多头注意力。我们的模型优于当前的基准线，同时也为未来房地产评估方法的优化提供了有希望的途径。
Nov, 2023
该研究介绍了一种创新的方法，将图像数据集成到传统计量模型中，通过深度学习将图像中包含的信息作为协变量，用于预测房地产销售价格，通过图像编码和分割的方式提高了预测准确性。
Mar, 2024