一般随机效用模型的偏好引导

Sep, 2013

Preference Elicitation For General Random Utility Models

Hossein Azari Soufiani, David C. Parkes, Lirong Xia

TL;DR本文探讨了基于参数化建模的 {General Random Utility Models (GRUMs)}，并基于贝叶斯实验设计的原则提出了两种 GRUMs 的偏好引导方案，其中之一适用于社会选择，另一种适用于个性化选择。我们还结合 Monte-Carlo-Expectation-Maximization (MC-EM) 方法提出了一种进行 GRUMs 下的 MAP 推断的算法。同时，我们证明了一类 GRUMs 的似然函数单峰性，并通过实验研究的性能表现证明了所提出引导方案提高了估计的精度。

Abstract

This paper discusses {general random utility models (GRUMs)}. These are a class of parametric models that generate partial ranks over alternatives given attributes of agents and alternatives. We propose two preference e

general random utility models preference elicitation bayesian experimental design likelihood functions map inference

发现论文，激发创造

社会选择的随机效用理论

本文提出了对随机效用模型的条件，使其在 Bayesian 框架下通过 MC-EM 得到快速推理，并提供了对于广泛随机效用模型选择（包括 Plackett-Luce model）的具有标度性和能力的实际和模拟数据的结果解，这些条件提供了凸对数似然函数和全局最大解集的有界解。

Nov, 2012

RUMBoost: 梯度提升的随机效用模型

该论文介绍了 RUMBoost 模型，这是一种新的离散选择建模方法，它结合了随机效用模型（RUMs）的可解释性和行为鲁棒性与深度学习方法的泛化能力和预测能力。

Jan, 2024

使用不完整偏好特征学习随机效用模型的组合

本文研究了具有特征和它们的混合的随机效用模型（RUMs），提出了一种广义的 RUM 模型，来生成不完整的偏好，证明了当带有特征的 Plackett-Luce 模型可识别时，其最大似然估计是一致的，并且该模型在合成数据和真实数据上具有较高的预测能力。

Jun, 2020

随机效用模型的组合边际似然方法

本研究提出了一种新颖灵活的基于排名打破的复合边际似然 (RBCML) 框架，用于学习随机效用模型 (RUMs)，包括 Plackett-Luce 模型，并利用证明严格对数凹性在卷积和边际化下得以保持的方法，表征了 RBCML 的目标函数为严格对数凹性的条件，进一步表征了 RBCML 满足一致性和渐近正态的必要和充分条件。在合成数据上进行的实验表明，高斯 RUMs 的 RBCML 比最先进的算法的统计效率和计算效率更好，而我们针对 Plackett-Luce 模型的 RBCML 提供了灵活的运行时间和统计效率的权衡。

Jun, 2018

GAI 模型中的本地效用引出

本文研究了使用结构化效用模型进行复杂多属性效用函数的有效表示和引导。通过使用广义加性独立模型作为用户偏好的结构模型，我们提出了一种仅使用 “局部” 效用查询而不是全局查询来引导这些模型参数的方法。同时，我们采用了简单易行的策略，将此方法扩展到将效用参数的不确定性概率表示。最后，我们通过一种我的信息价值方法来实验验证该方法。

Jul, 2012

从 K-Slates 分布逼近 RUM

本文研究拟合随机效用模型（Random Utility Models，简称 RUMs）到用户选择问题，提出了一个基于线性规划和椭球法的多项式时间算法，并得出可行的近似分离规则解决方案，可以被视为超图的加权反馈弧集问题的一般化。

May, 2023

学习丰富排序

采用基于选择建模的上下文重复选择（CRS）模型，结合多模态模型，提供了生成丰富的排名空间的工具，同时使用结构相关的尾部风险和期望风险界限，对该模型的最大似然估计提供了严格的理论保证，并且在多项式逻辑选择模型（MNL）和 Plackett-Luce（PL）排名模型的预期风险以及 PL 排名模型的尾部风险方面也提供了前所未有的紧密界限。该 CRS 模型在各种场景下明显优于现有的排名数据建模方法，包括比赛和排名投票。

Dec, 2023

一种基于人工神经网络的经济一致的灵活效用规范的离散选择模型

本文提出了一种基于人工神经网络 (ANNs) 的新的离散选择模型 ——“特定备选和共享权重神经网络（ASS-NN）”，它在灵活拟合数据的效用函数的同时，与选择理论和货币可替代性（即 “一欧元就是一欧元”）两个假设保持一致，从而实现了经济一致的结果，如边际效用或支付意愿，无需明确定义效用函数的形式。通过蒙特卡洛实验和来自 Swissmetro 数据集的实证数据，我们证明了 ASS-NN 在不同效用规范下的性能优于传统的多项式对数模型（MNL）。此外，我们展示了如何使用 ASS-NN 来计算边际效用和支付意愿的度量值。

Apr, 2024

基于最小极大遗憾的广义可加效用引出

在该研究中，我们使用最小化最大后悔标准描述了提取广义加性独立效用的语义基础，并提出了若干新的查询类型和策略；通过利用模型中的局部 GAI 结构，实现了计算可行性；所得结果提供了实现基于偏好的受限配置优化以及在多属性产品数据库中进行有效搜索的实用方法。

Jun, 2012

离散选择模型与广义可加性效用网络

离散选择模型是一个强大的框架，用于分析决策行为，为决策者和企业提供有价值的洞察。GAUNet 是一种基于广义可加模型的神经网络结构的效用函数，用于离散选择模型。在东京的旅行调查数据上，我们的模型与 ASU-DNN 在准确性上相当，并且相对于以前的模型在解释性上有所改善。

Sep, 2023