通过因果推断的方法适应离散选择设置，使用选择者的协变量进行反向概率加权和 / 或回归控制，以便在一定假设下准确地恢复个体偏好。当这些协变量不可用或不充分时，使用结构化选择集分配的方法来提高预测准确性，并在真实世界的选择数据上展示了方法的有效性，从而使在酒店预订和通勤交通等情况下发现的选择与理性的效用最大化更加一致。

May, 2021

提供选择的替代方案是许多在线平台的重要组成部分，因此准确预测选择是其成功的关键。本文提出了一种学习框架，用于预测选择，具有准确性、多功能性、理论基础和良好的可扩展性。我们的建模要点是为了解释人类的选择，预测模型必须捕捉特定的集合相关的不变性，并且基于最近经济学研究成果，我们推导出一类可以表达任何行为选择模式的模型，具有良好的样本复杂性保证，并且可以高效地进行端到端训练。在三个大型选择数据集上的实验证明了我们方法的实用性。

Jun, 2019

离散选择模型与神经网络相比，在预测客户购买概率方面表现得更具表现力、能够捕捉客户异质性和行为，但难以估计且无法捕捉客户行为的许多显著特征。本文首先研究了单个神经网络架构是否能够预测来自不同背景和模型假设下的购买概率。接下来，我们开发了一种适用于现成整数规划求解器的组合优化公式。在模拟和实际数据集上与各种基准离散选择模型进行了比较，同时通过一些训练技巧使神经网络预测及后续优化具备鲁棒性，并能与其他模型相媲美。

Aug, 2023

研究了多种选型模型并提出了三种新的程序来实现强的调整规则，利用随机适应性和最大化所有可行排序模型对结果的支持，对具有不同复杂性的问题实例进行了性能验证以评估欧洲城市绿色绩效。

Aug, 2022

参与式算法设计越来越普遍，通过收集并汇总利益相关者的个人偏好，可以创建算法系统，考虑到这些利益相关者的价值观。使用算法学生分配作为案例研究，我们认为，在限制资源的分配中优化个人偏好满足可能会抑制社会和分配的公正进展。个人偏好可以是有用的信号，但应该扩展以支持更具表现力和包容性的民主参与形式。

Jul, 2020

本文提出了公平性算法框架，运用法律和博弈理论概念，以控制不同人群之间的不公平性，从而改善通常会忽略小团体的传统影响最大化技术，并应用于无家可归的年轻人的 HIV 预防干预的实验结果证实了其有效性。

Mar, 2019

该研究提出了一个基于离散选择和随机实用理论的条件多项式 Logit 模型的社交网络形成框架，为概念化、估算和比较模型提供了灵活的手段，并展示了模型的灵活性和应用价值。

Nov, 2018

该研究介绍了一个同时拥有随机实用模型和确定性点过程的特点的确定性选择模型，该模型可以从数据中学习到一系列负面依赖关系，提供了一些关于 LoRa 网络无线干扰的新见解，该模型在子集选择模型、随机实用模型和确定性点过程中产生了应用价值。

Feb, 2023

特征选择是一种流行的方法，可以获得小型、可解释且高度准确的预测模型。本文介绍了一种名为 “替代特征选择” 的方法，并将其形式化为一个优化问题。我们定义了替代特征集合的约束条件，并允许用户控制替代特征的数量和差异性。进一步分析了该优化问题的复杂性并证明了其 NP-hardness。最后，我们使用 30 个分类数据集评估了替代特征选择的效果，并观察到替代特征集合可能具有较高的预测质量，并分析了影响这一结果的几个因素。

Jul, 2023

研究表明，通过使用数据驱动的预测模型作出的决策越来越多，对于这些决策的影响，对于个人和社会，决策者透明公开的政策也就越来越重要。我们的研究目标是找到在具有策略性投资的情况下，对于实用性最优的决策策略，在我们的研究中，我们首先表征了个体策略性努力投资如何导致特征分布的变化，然后提出了一种适用于多种情况的最优决策策略的搜索方法，并根据合成和现实数据的实验结果，说明了我们算法找到的决策策略比没有考虑策略性的决策策略的实用性要高。

May, 2019