論文の概要: Semi-nonparametric Latent Class Choice Model with a Flexible Class
Membership Component: A Mixture Model Approach
- arxiv url: http://arxiv.org/abs/2007.02739v1
- Date: Mon, 6 Jul 2020 13:19:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 03:29:03.960285
- Title: Semi-nonparametric Latent Class Choice Model with a Flexible Class
Membership Component: A Mixture Model Approach
- Title（参考訳）: フレキシブルクラス構成成分を用いた半非パラメトリック潜在クラス選択モデル:混合モデルアプローチ
- Authors: Georges Sfeir, Maya Abou-Zeid, Filipe Rodrigues, Francisco Camara
Pereira, Isam Kaysi
- Abstract要約: 提案したモデルは、従来のランダムユーティリティ仕様に代わるアプローチとして混合モデルを用いて潜在クラスを定式化する。
その結果,混合モデルにより潜在クラス選択モデル全体の性能が向上した。
- 参考スコア（独自算出の注目度）: 6.509758931804479
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study presents a semi-nonparametric Latent Class Choice Model (LCCM)
with a flexible class membership component. The proposed model formulates the
latent classes using mixture models as an alternative approach to the
traditional random utility specification with the aim of comparing the two
approaches on various measures including prediction accuracy and representation
of heterogeneity in the choice process. Mixture models are parametric
model-based clustering techniques that have been widely used in areas such as
machine learning, data mining and patter recognition for clustering and
classification problems. An Expectation-Maximization (EM) algorithm is derived
for the estimation of the proposed model. Using two different case studies on
travel mode choice behavior, the proposed model is compared to traditional
discrete choice models on the basis of parameter estimates' signs, value of
time, statistical goodness-of-fit measures, and cross-validation tests. Results
show that mixture models improve the overall performance of latent class choice
models by providing better out-of-sample prediction accuracy in addition to
better representations of heterogeneity without weakening the behavioral and
economic interpretability of the choice models.
- Abstract（参考訳）: 本研究では,フレキシブルクラスメンバシップコンポーネントを有する半非パラメトリック潜在クラス選択モデル(lccm)を提案する。
提案モデルでは,選択過程における予測精度と不均一性の表現を含む様々な指標について,従来のランダムユーティリティ仕様に対する代替手法として混合モデルを用いて潜在クラスを定式化する。
混合モデルはパラメトリックモデルに基づくクラスタリング技術であり、機械学習、データマイニング、クラスタリングや分類問題に対するパター認識などの分野で広く使われている。
提案モデルの推定のために期待最大化(em)アルゴリズムが導出される。
提案モデルは,旅行モード選択行動に関する2つの異なるケーススタディを用いて,パラメータ推定符号,時間値,統計的適合度尺度,相互評価テストに基づいて,従来の離散選択モデルと比較した。
その結果、混合モデルは、選択モデルの振る舞いや経済的解釈性を弱めることなく、不均一性の表現性の向上に加えて、サンプル外予測精度の向上により、潜在クラス選択モデルの全体的な性能を向上させることが示された。
関連論文リスト
- Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。
推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。
我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
論文 参考訳（メタデータ） (2024-11-02T07:06:53Z) - Stabilizing black-box model selection with the inflated argmax [8.52745154080651]
本稿では,バッジと「膨らませた」argmax演算を組み合わせたモデル選択の安定化手法を提案する。
提案手法では,データに適合するモデルの小さなコレクションを選択し,高い確率で任意のトレーニングポイントを除去すると,元のコレクションと重複するモデルのコレクションが生成される。
いずれの設定においても,提案手法は,選択したモデルの安定かつコンパクトなコレクションを生成し,様々なベンチマークより優れている。
論文 参考訳（メタデータ） (2024-10-23T20:39:07Z) - The Interpolating Information Criterion for Overparameterized Models [49.283527214211446]
補間情報基準(Interpolating Information Criterion)は,モデル選択に事前選択を自然に取り入れたモデル品質の尺度であることを示す。
我々の新しい情報基準は、モデルの事前の誤特定、幾何学的およびスペクトル的特性を考慮に入れており、既知の経験的および理論的挙動と数値的に一致している。
論文 参考訳（メタデータ） (2023-07-15T12:09:54Z) - Empirical Analysis of Model Selection for Heterogeneous Causal Effect Estimation [24.65301562548798]
本研究では,因果推論におけるモデル選択の問題,特に条件付き平均処理効果(CATE)の推定について検討する。
本研究では,本研究で導入されたサロゲートモデル選択指標と,本研究で導入された新しい指標のベンチマークを行う。
論文 参考訳（メタデータ） (2022-11-03T16:26:06Z) - fETSmcs: Feature-based ETS model component selection [8.99236558175168]
シミュレーションデータに基づく分類器の訓練によるETSモデル選択の効率的な手法を提案し, 与えられた時系列に対する適切なモデル成分の予測を行う。
提案手法は,広く使用されている予測競合データセットM4に対して,点予測と予測間隔の両面から評価する。
論文 参考訳（メタデータ） (2022-06-26T13:52:43Z) - Normalizing Flow based Hidden Markov Models for Classification of Speech
Phones with Explainability [25.543231171094384]
説明可能性を求めるため,逐次データ生成モデルを開発した。
我々は、現代のニューラルネットワーク(正規化フロー)と伝統的な生成モデル(隠れマルコフモデル - HMM)を組み合わせる。
提案した生成モデルは、データの可能性を計算することができ、従って、最大形分類法(ML)に直接適合する。
論文 参考訳（メタデータ） (2021-07-01T20:10:55Z) - Community Detection in the Stochastic Block Model by Mixed Integer
Programming [3.8073142980733]
Degree-Corrected Block Model (DCSBM) は、コミュニティ構造を持つランダムグラフを生成する一般的なモデルである。
DCSBMに基づくコミュニティ検出の標準的なアプローチは、最大推定(MLE)により観測されたネットワークデータを生成する可能性が最も高いモデルパラメータを探索することである。
本稿では,モデルパラメータと最大確率のコミュニティ割当を観測グラフから確実に求める数学的計画式と厳密解法を提案する。
論文 参考訳（メタデータ） (2021-01-26T22:04:40Z) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳（メタデータ） (2021-01-02T02:11:37Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z) - Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。
連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文 参考訳（メタデータ） (2020-07-11T19:44:09Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳（メタデータ） (2020-05-21T16:08:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。