論文の概要: Discrete Choice Analysis with Machine Learning Capabilities
- arxiv url: http://arxiv.org/abs/2101.10261v1
- Date: Thu, 21 Jan 2021 21:34:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-21 10:06:23.376916
- Title: Discrete Choice Analysis with Machine Learning Capabilities
- Title(参考訳): 機械学習能力を用いた離散的選択分析
- Authors: Youssef M. Aboutaleb, Mazen Danaf, Yifei Xie, Moshe Ben-Akiva
- Abstract要約: 本稿では,政策分析におけるモデルに不可欠な機能について述べる。
機械学習のパラダイムを活用できる分野、すなわち、ユーティリティ方程式のランダム成分の最良の仕様を特定し、体系的に選択する分野を特定する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper discusses capabilities that are essential to models applied in
policy analysis settings and the limitations of direct applications of
off-the-shelf machine learning methodologies to such settings. Traditional
econometric methodologies for building discrete choice models for policy
analysis involve combining data with modeling assumptions guided by
subject-matter considerations. Such considerations are typically most useful in
specifying the systematic component of random utility discrete choice models
but are typically of limited aid in determining the form of the random
component. We identify an area where machine learning paradigms can be
leveraged, namely in specifying and systematically selecting the best
specification of the random component of the utility equations. We review two
recent novel applications where mixed-integer optimization and cross-validation
are used to algorithmically select optimal specifications for the random
utility components of nested logit and logit mixture models subject to
interpretability constraints.
- Abstract(参考訳): 本稿では、ポリシー分析のモデルに適用する上で不可欠な機能と、そのような設定への市販機械学習方法論の直接適用の限界について述べる。
政策分析のための離散的選択モデルを構築する伝統的な計量方法論は、データと主題・マッターの考察によるモデリングの仮定を組み合わせたものである。
このような考察は、ランダム効用離散選択モデルの体系的な構成要素を特定するのに最も有用であるが、典型的にはランダム成分の形式を決定するのに限定的な助けとなる。
機械学習のパラダイムを活用できる分野、すなわち、ユーティリティ方程式のランダム成分の最良の仕様を特定し、体系的に選択する分野を特定する。
本稿では, ネストされたロジットおよびロジット混合モデルのランダムなユーティリティコンポーネントの最適仕様をアルゴリズム的に選択するために, 混合整数最適化とクロスバリデーションを用いる新しい2つの応用について述べる。
- 全文 参考訳へのリンク
関連論文リスト
- Model-Based Deep Learning: On the Intersection of Deep Learning and
Optimization [101.32332941117271]
決定アルゴリズムは様々なアプリケーションで使われている。
数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。
モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
論文 参考訳(メタデータ) (2022-05-05T13:40:08Z) - SimPO: Simultaneous Prediction and Optimization [3.181417685380586]
本稿では,同時予測最適化(SimPO)フレームワークの定式化を提案する。
このフレームワークでは,決定駆動型予測MLモデルと最適化対象関数の重み付き損失を併用する。
論文 参考訳(メタデータ) (2022-03-31T20:01:36Z) - Fast Feature Selection with Fairness Constraints [49.142308856826396]
モデル構築における最適特徴の選択に関する基礎的問題について検討する。
この問題は、greedyアルゴリズムの変種を使用しても、大規模なデータセットで計算的に困難である。
適応クエリモデルは,最近提案された非モジュラー関数に対する直交整合探索のより高速なパラダイムに拡張する。
論文 参考訳(メタデータ) (2022-02-28T12:26:47Z) - Personalized Federated Learning via Convex Clustering [72.15857783681658]
本稿では,局所凸型ユーザコストを用いた個人化フェデレーション学習のためのアルゴリズム群を提案する。
提案するフレームワークは,異なるユーザのモデルの違いをペナル化する凸クラスタリングの一般化に基づいている。
論文 参考訳(メタデータ) (2022-02-01T19:25:31Z) - Uncertainty quantification in a mechanical submodel driven by a
Wasserstein-GAN [0.0]
本稿では,機械学習やデータ駆動手法における非線形手法の利用が重要であることを示す。
このような応用にはGAN(Generative Adversarial Networks)が適しており、Wasserstein-GANには勾配ペナルティのバリエーションがある。
論文 参考訳(メタデータ) (2021-10-26T13:18:06Z) - A Prototype-Oriented Framework for Unsupervised Domain Adaptation [52.25537670028037]
メモリと計算効率のよい確率的フレームワークを提供し、クラスプロトタイプを抽出し、ターゲットとなる特徴をそれらと整合させる。
本稿では,単一ソース,マルチソース,クラス不均衡,ソースプライベートドメイン適応など,幅広いシナリオにおいて,本手法の汎用性を実証する。
論文 参考訳(メタデータ) (2021-10-22T19:23:22Z) - Predictive machine learning for prescriptive applications: a coupled
training-validating approach [77.34726150561087]
規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。
このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。
合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
論文 参考訳(メタデータ) (2021-10-22T15:03:20Z) - Optimizing model-agnostic Random Subspace ensembles [5.680512932725364]
教師あり学習のためのモデルに依存しないアンサンブルアプローチを提案する。
提案手法は、ランダム部分空間アプローチのパラメトリックバージョンを用いてモデルのアンサンブルを学習することとを交互に行う。
シミュレーションおよび実世界のデータセット上で,予測と特徴ランキングの両面で,提案手法の優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-07T13:58:23Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳(メタデータ) (2021-08-09T17:39:09Z) - Gaussian process interpolation: the choice of the family of models is
more important than that of the selection criterion [0.0]
本稿では,ガウス過程におけるパラメータ選択の根本的な問題を再考する。
適切なモデル群を選択することは、特定の選択基準を選択することよりもしばしば重要であることを示す。
論文 参考訳(メタデータ) (2021-07-13T11:57:56Z) - Calibrating Over-Parametrized Simulation Models: A Framework via
Eligibility Set [3.862247454265944]
厳密な頻繁な統計的保証を満たす校正手法を開発するための枠組みを開発する。
本手法は,書籍市場シミュレータのキャリブレーションへの応用を含む,いくつかの数値例で実証する。
論文 参考訳(メタデータ) (2021-05-27T00:59:29Z)
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。