論文の概要: Understanding and Shifting Preferences for Battery Electric Vehicles

• arxiv url: http://arxiv.org/abs/2202.08963v1
• Date: Wed, 9 Feb 2022 00:37:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-27 17:38:50.057602
• Title: Understanding and Shifting Preferences for Battery Electric Vehicles
• Title（参考訳）: バッテリー電気自動車の嗜好の理解と変遷
• Authors: Nikos Arechiga, Francine Chen, Rumen Iliev, Emily Sumner, Scott Carter, Alex Filipowicz, Nayeli Bravo, Monica Van, Kate Glazko, Kalani Murakami, Laurent Denoue, Candice Hogan, Katharine Sieck, Charlene Wu, Kent Lyons
• Abstract要約: 我々は、個人統計に基づく介入のパーソナライズ方法に注目し、バッテリー電気自動車(BEV)に対して消費者の嗜好をより肯定的にシフトさせる。 そこで本稿では,バリアやモチベータなど,BEV導入に影響を与えるパーソナライズされた要因を特定することを提案する。 本稿では,これらの要因を予測し,最も頻繁な要因を常に予測するよりも性能がよいことを示す。
• 参考スコア（独自算出の注目度）: 4.569915979977171
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying personalized interventions for an individual is an important task. Recent work has shown that interventions that do not consider the demographic background of individual consumers can, in fact, produce the reverse effect, strengthening opposition to electric vehicles. In this work, we focus on methods for personalizing interventions based on an individual's demographics to shift the preferences of consumers to be more positive towards Battery Electric Vehicles (BEVs). One of the constraints in building models to suggest interventions for shifting preferences is that each intervention can influence the effectiveness of later interventions. This, in turn, requires many subjects to evaluate effectiveness of each possible intervention. To address this, we propose to identify personalized factors influencing BEV adoption, such as barriers and motivators. We present a method for predicting these factors and show that the performance is better than always predicting the most frequent factors. We then present a Reinforcement Learning (RL) model that learns the most effective interventions, and compare the number of subjects required for each approach.
• Abstract（参考訳）: 個人に対するパーソナライズされた介入を特定することは重要なタスクです。 近年の研究では、個々の消費者の人口統計学的背景を考慮しない介入は、実際には、電気自動車に対する反対を強める逆効果を生み出すことが示されている。 本研究では,個人の人口統計に基づく介入を個人化する方法に着目し,消費者の嗜好をバッテリー電気自動車(bev)にシフトさせる。 好みを変えるための介入を提案するモデルを構築する際の制約の1つは、それぞれの介入が後の介入の有効性に影響を与えることである。 これに対し、多くの被験者はそれぞれの介入の有効性を評価する必要がある。 そこで本稿では,バリアやモチベータなど,BEV導入に影響を与えるパーソナライズされた要因を特定することを提案する。 本稿では,これらの要因を予測し,最も頻繁な要因を常に予測するよりも性能がよいことを示す。 次に、最も効果的な介入を学習し、各アプローチに必要な科目数を比較する強化学習(RL)モデルを提案する。

関連論文リスト

• Leveraging Language Models and Bandit Algorithms to Drive Adoption of Battery-Electric Vehicles [38.38808309924463]
  我々は、バッテリー電気自動車の導入を動機づける理解価値に関する先行研究を活用している。 我々は,各研究参加者の価値観に合わせた対話的介入を開発する。 我々は文脈的帯域幅アルゴリズムを用いて、各参加者の人口統計に基づく目標値の学習を行う。
  論文  参考訳（メタデータ） (2024-10-30T18:15:43Z)
• Causal Distillation for Alleviating Performance Heterogeneity in Recommender Systems [142.3424649008479]
  歴史的相互作用の不均一な分布とレコメンダモデルのバイアス付きトレーニングを示す。 デバイアスドトレーニングの鍵は、ユーザの過去の行動と次の行動の両方に影響を与える共同創設者の影響を取り除くことである。 本稿では,非保守的共同設立者に対応するために,因果多教師蒸留フレームワーク(CausalD)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T05:31:00Z)
• Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
  実際には、因果研究者は先験を念頭において1つの結果を持っていない。 政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。 本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T08:16:30Z)
• Using LLMs to Model the Beliefs and Preferences of Targeted Populations [4.0849074543032105]
  本研究では,人間の嗜好をモデル化する大規模言語モデル (LLM) の整合性について考察する。 特定の集団の信念、好み、行動のモデル化は、様々な応用に有用である。
  論文  参考訳（メタデータ） (2024-03-29T15:58:46Z)
• DRUformer: Enhancing the driving scene Important object detection with driving relationship self-understanding [50.81809690183755]
  交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。 従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。 本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
  論文  参考訳（メタデータ） (2023-11-11T07:26:47Z)
• Zero-shot causal learning [64.9368337542558]
  CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。 トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
  論文  参考訳（メタデータ） (2023-01-28T20:14:11Z)
• Inferring Effect Ordering Without Causal Effect Estimation [1.6114012813668932]
  予測モデルは、広告、顧客の保持、パーソナライズドメディカルな医療など、様々な分野の介入をガイドするためにしばしば使用される。 本稿は,これらの予測モデルがどのように因果的に解釈できるのか,という問題に対処する。 直接因果効果を推定することなく, 直接因果効果を推定するのに十分な2つの仮定, 完全な潜時媒介と潜時単調性を定式化する。
  論文  参考訳（メタデータ） (2022-06-25T02:15:22Z)
• Empirical Estimates on Hand Manipulation are Recoverable: A Step Towards Individualized and Explainable Robotic Support in Everyday Activities [80.37857025201036]
  ロボットシステムの鍵となる課題は、他のエージェントの振る舞いを理解することである。 正しい推論の処理は、(衝突)因子が実験的に制御されない場合、特に困難である。 人に関する観察研究を行うために必要なツールをロボットに装備することを提案する。
  論文  参考訳（メタデータ） (2022-01-27T22:15:56Z)
• Variational Auto-Encoder Architectures that Excel at Causal Inference [26.731576721694648]
  観測データから因果効果を推定することは、多くの種類の決定を下す上で重要である。 この課題に対処する1つのアプローチは、データの基礎となる要素の分解された表現を学習することである。 本稿では,変分オートエンコーダの最近の進歩を基盤とした生成的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-11-11T22:37:43Z)
• Power Constrained Bandits [46.44025793243983]
  既存のアルゴリズムを改良する汎用メタアルゴリズムを開発した。 我々のメタアルゴリズムは、統計的研究に現れる可能性のある様々なモデルの誤特定に対して堅牢である。
  論文  参考訳（メタデータ） (2020-04-13T23:08:52Z)

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。