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

该研究通过提出基于需求的代替概率的解释来解释深度学习在语言生成任务中的成功，以较大程度上消除了这种学习方法中的悖论，并提出了一个新的公式，用于将学习到的效用值转换为一种新的概率估计，从而使概率兼容决策规则的性能得到大幅度提高，并揭示了现代神经网络所涉及的效用 - 概率二元性现象。

May, 2023

本文介绍一种使用神经网络学习个体特征下的估价函数参数的离散选择模型。该模型可以生成可解释的行为指标参数，并且在瑞士公共交通数据集上表现良好。

Feb, 2020

本研究设计了一种具有特定深度神经网络 (DNN) 架构的选择分析方法，称为基于备选项特定效用函数 (ASU-DNN)，该方法使用先前的行为知识，旨在提高 DNN 的解释能力和预测能力，并识别特定任务的有效规范化方法。与全连接的 DNN (F-DNN) 不同，ASU-DNN 通过仅使用备选项 k 的属性来计算其效用值，可以显著降低 F-DNN 的估计误差，同时提供更规则的出行方式选择替代模式。

Sep, 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

该论文提出了一种算法 LUMB 来解决使用线性效用 MNL 选择模型的多项式对数拉致问题，证明此算法比以往算法更优，无需考虑候选集大小。

May, 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

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

本文提出了一种框架，通过约束条件将领域知识和先验信念与机器学习相结合，以支持可解释的基于数据驱动的离散选择模型的开发，并通过案例研究展示了该框架的潜力。

May, 2023

提出一种新的效用函数有向图表示方式 ——UCP-networks，并结合广义加性模型和 CP-networks，将效用函数分解为一些加性因子，其中弧的方向性反映了（定性的）偏好排序的条件依赖关系，在决策中具有很高的效率。

Jan, 2013