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

通过引入自注意力的神经网络结构，本研究提出了第一个成功利用现代神经网络概念的选择模型，理论和实践都证明了该模型相对于现有模型在实际数据上更具优势。

Nov, 2023

本文研究非参数化的初步步骤对于许多有用参数的影响以及如何利用影响函数分析局部政策、构建机器学习估计器、进行效率比较和制定渐近正态的基本规则。研究发现影响函数是一个门托导数，我们给出了满足外生或内生正交条件的初步步骤的影响函数。最后，这项研究应用在汽油需求的分析中，结果表明平均相当变动量的估计值对内生性不敏感。

Aug, 2015

本文介绍了一种基于逆优化及变分不等式理论的数据驱动方法，用于估计在平衡模型中难以估计的参数，包括游戏中玩家的收益函数和道路网络中的拥挤函数，并使用统计学习方法进行参数化和非参数化估计。经过计算实验，结果表明该方法能够有效地估算出未知的需求或拥挤函数，并且我们提出的正则化技术大大提高了我们估算器的外样性能。

Aug, 2013

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

研究设计用于基于集合的机器学习任务模型的问题，提出一种特殊结构的函数族，设计可以在未监督和监督学习任务中应用的深度网络架构，并演示了在人口统计估计，点云分类，集扩展和异常检测等任务上的应用。

Mar, 2017

该论文提出了一种数值方法来近似有效影响函数， 并以两个例子的背景说明了该方法。

Aug, 2016

本文介绍了利用变分方法进行离散选择模型贝叶斯推断的过程，并且在大规模数据集上，相比马尔可夫蒙特卡罗方法，可以在更小的计算成本下达到相当的精度。

Dec, 2007

本文介绍了如何利用 efficient influence function 来构建基于统计 / 机器学习的 estimators，并讨论了这些 estimators 表现良好的前提条件。

Jul, 2021

本文介绍了一种利用机器学习进行经济模型参数估计和推断的方法，并使用深度学习来对经济模型中的异质性进行结构化建模，降低了预测误差。同时利用一个新的影响函数计算方法来完成推断。应用于短期贷款广告实验中，得出了可靠的经济学意义的估计和推论。

Oct, 2020