Apr, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 基于神经网络的商品组合优化选择模型

    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

  • 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

  • 选择分析的深度神经网络：基于替代特定效用函数的架构设计

    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

  • 神经网络的效用概率对偶

    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

  • 顺序决策的效用理论

    通过对决策制定的愿望、偏好与效用函数的研究，我们将 von Neumann-Morgenstern 效用定理扩展至结构化的顺序决策制定情境中，发掘出对应效用函数的结构，并提出该结构应广泛应用于强化学习等顺序决策制定中的 AI 研究。

    Jun, 2022

  • 一般随机效用模型的偏好引导

    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。

    Sep, 2013

  • 将领域知识融入深度神经网络中用于离散选择模型

    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

  • 神经嵌入式选择模型：使用 Flexibility 和 Interpretability 对 TasteNet-MNL 进行建模，以建模 Taste Heterogeneity

    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

  • 通过深度学习进行概率推理：神经关联模型

    本文提出了名为神经关联模型（NAM）的新深度学习方法，旨在用于人工智能中的概率推理。作者研究了两种 NAM 结构，即深度神经网络（DNN）和关系调制神经网络（RMNN），并在多个概率推理任务中证明了它们的有效性，包括识别文本蕴含，多关系知识库中的三元分类和常识推理。实验结果表明，这些模型可以显著优于传统的方法，并证明了它们在解决具有挑战性的 Winograd 模式（WS）问题方面的潜力。

    Mar, 2016