論文の概要: Learning Structure in Nested Logit Models

• arxiv url: http://arxiv.org/abs/2008.08048v1
• Date: Tue, 18 Aug 2020 17:15:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 22:33:05.870485
• Title: Learning Structure in Nested Logit Models
• Title（参考訳）: ネストロジットモデルにおける学習構造
• Authors: Youssef M. Aboutaleb, Moshe Ben-Akiva, Patrick Jaillet
• Abstract要約: ネストロジット構造探索のための新しいデータ駆動手法を提案する。 合成データから真のネスト構造を正確に復元するアルゴリズムの能力を実証する。 Juliaプログラミング言語で記述されたカスタマイズ可能かつオープンソースなコードベースとして実装を提供しています。
• 参考スコア（独自算出の注目度）: 22.269565708490468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a new data-driven methodology for nested logit structure discovery. Nested logit models allow the modeling of positive correlations between the error terms of the utility specifications of the different alternatives in a discrete choice scenario through the specification of a nesting structure. Current nested logit model estimation practices require an a priori specification of a nesting structure by the modeler. In this we work we optimize over all possible specifications of the nested logit model that are consistent with rational utility maximization. We formulate the problem of learning an optimal nesting structure from the data as a mixed integer nonlinear programming (MINLP) optimization problem and solve it using a variant of the linear outer approximation algorithm. We exploit the tree structure of the problem and utilize the latest advances in integer optimization to bring practical tractability to the optimization problem we introduce. We demonstrate the ability of our algorithm to correctly recover the true nesting structure from synthetic data in a Monte Carlo experiment. In an empirical illustration using a stated preference survey on modes of transportation in the U.S. state of Massachusetts, we use our algorithm to obtain an optimal nesting tree representing the correlations between the unobserved effects of the different travel mode choices. We provide our implementation as a customizable and open-source code base written in the Julia programming language.
• Abstract（参考訳）: 本稿では,ネストロジット構造探索のための新しいデータ駆動手法を提案する。 ネストロジットモデルでは、ネスト構造の仕様を通じて、異なる選択肢のユーティリティ仕様のエラー項間の正の相関を個別選択シナリオでモデル化することができる。 現在のネストロジットモデル推定プラクティスでは、モデラーによるネスト構造の初期仕様が必要である。 この方法では、合理的な実用的最大化と整合するネスト付きロジットモデルのすべての可能な仕様を最適化します。 本研究では,データから最適ネスティング構造の学習問題を混合整数非線形プログラミング(minlp)最適化問題として定式化し,線形外方近似アルゴリズムの変種を用いて解く。 本稿では,問題の木構造を活用し,整数最適化の最近の進歩を活かし,提案する最適化問題に実用性をもたらす。 我々は,モンテカルロ実験において,合成データから真のネスト構造を正確に復元するアルゴリズムの能力を実証した。 マサチューセッツ州における交通モードの選好調査を用いた実証図では, 異なる移動モード選択の観測されていない影響の間の相関関係を表す最適なネスト木を得るために, アルゴリズムを用いている。 Juliaで書かれたカスタマイズ可能でオープンソースのコードベースとして実装しています。

関連論文リスト

• Towards Fast Algorithms for the Preference Consistency Problem Based on Hierarchical Models [4.007697401483925]
  階層モデルに基づく選好文の一貫性問題の解法として,アルゴリズム的手法を構築し,比較する。 インスタンスが一貫すると、評価関数に階層的モデルが存在し、代替関数の順序関係を誘導する。 この問題を解決するための3つのアプローチを開発する。
  論文  参考訳（メタデータ） (2024-10-31T13:48:46Z)
• Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
  構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。 また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-08T22:33:14Z)
• An improved column-generation-based matheuristic for learning classification trees [9.07661731728456]
  決定木は機械学習(ML)における分類問題の解法として高度に解釈可能なモデルである 決定木を訓練するための標準的なMLアルゴリズムは高速だが、精度の点で最適木を生成する。 citefirat 2020column氏は、意思決定木を学習するためのカラムジェネレーションベースのアプローチを提案した。
  論文  参考訳（メタデータ） (2023-08-22T14:43:36Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Optimally Weighted Ensembles of Regression Models: Exact Weight Optimization and Applications [0.0]
  異なる回帰モデルを組み合わせることで、単一の(ベストな)回帰モデルを選択するよりも良い結果が得られることを示す。 不均一回帰モデルから最適重み付き線形結合を求める効率的な手法を概説する。
  論文  参考訳（メタデータ） (2022-06-22T09:11:14Z)
• Triangulation candidates for Bayesian optimization [0.3222802562733786]
  ベイズ最適化 (Bayesian optimization) は、入力-出力関係を適切なフレキシブル回帰モデルで理想化する設計形式である。 本稿では,デラウネー三角測量に基づく提案手法を提案する。
  論文  参考訳（メタデータ） (2021-12-14T15:13:31Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)
• Evaluating State-of-the-Art Classification Models Against Bayes Optimality [106.50867011164584]
  正規化フローを用いて学習した生成モデルのベイズ誤差を正確に計算できることを示す。 われわれの手法を用いて、最先端の分類モデルについて徹底的な調査を行う。
  論文  参考訳（メタデータ） (2021-06-07T06:21:20Z)
• Group selection and shrinkage: Structured sparsity for semiparametric additive models [0.0]
  群構造を尊重するスパース回帰と分類推定器は、統計学と機械学習の問題に応用できる。 非パラメトリックな面に適合するフレームワークを開発し、有限誤差モデルを示す。 多くの予測器を用いた足および経済予測器のモデル化における有効性を示す。
  論文  参考訳（メタデータ） (2021-05-25T17:00:25Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)

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。