論文の概要: Graph-Based Methods for Discrete Choice

• arxiv url: http://arxiv.org/abs/2205.11365v1
• Date: Mon, 23 May 2022 14:51:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 20:12:22.902888
• Title: Graph-Based Methods for Discrete Choice
• Title（参考訳）: 離散選択のためのグラフベース手法
• Authors: Kiran Tomlinson and Austin R. Benson
• Abstract要約: グラフ学習を使って、ネットワーク化されたコンテキストにおける選択を研究します。 ソーシャルネットワーク構造を取り入れることで、標準的な計量的選択モデルの予測を改善することができることを示す。
• 参考スコア（独自算出の注目度）: 40.91593765662774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Choices made by individuals have widespread impacts--for instance, people choose between political candidates to vote for, between social media posts to share, and between brands to purchase--moreover, data on these choices are increasingly abundant. Discrete choice models are a key tool for learning individual preferences from such data. Additionally, social factors like conformity and contagion influence individual choice. Existing methods for incorporating these factors into choice models do not account for the entire social network and require hand-crafted features. To overcome these limitations, we use graph learning to study choice in networked contexts. We identify three ways in which graph learning techniques can be used for discrete choice: learning chooser representations, regularizing choice model parameters, and directly constructing predictions from a network. We design methods in each category and test them on real-world choice datasets, including county-level 2016 US election results and Android app installation and usage data. We show that incorporating social network structure can improve the predictions of the standard econometric choice model, the multinomial logit. We provide evidence that app installations are influenced by social context, but we find no such effect on app usage among the same participants, which instead is habit-driven. In the election data, we highlight the additional insights a discrete choice framework provides over classification or regression, the typical approaches. On synthetic data, we demonstrate the sample complexity benefit of using social information in choice models.
• Abstract（参考訳）: 個人による選択は、例えば、投票する政治候補者を選ぶか、共有するソーシャルメディア投稿を選ぶか、購入するブランドを選ぶか、など、幅広い影響を与える。 離散選択モデルは、そのようなデータから個人の好みを学ぶための重要なツールである。 さらに、適合性や伝染などの社会的要因は個人の選択に影響を及ぼす。 これらの要素を選択モデルに組み込む既存の方法は、ソーシャルネットワーク全体を考慮せず、手作りの機能を必要とする。 これらの制限を克服するために、ネットワーク化されたコンテキストにおける選択を研究するためにグラフ学習を使う。 グラフ学習手法を離散的選択に使用できる3つの方法を明らかにする: 学習選択者表現、選択モデルパラメータの規則化、ネットワークから直接予測を構築する。 それぞれのカテゴリでメソッドを設計し、実際の選択データセットでそれらをテストします。 ソーシャルネットワーク構造を組み込むことで、標準的な計量的選択モデルであるマルチノミアルロジットの予測を改善することができることを示す。 アプリのインストールはソーシャルなコンテキストに影響されているという証拠を提供するが、同じ参加者の間でアプリの利用にそのような影響はない。 選挙データでは、典型的なアプローチである分類や回帰よりも、個別選択フレームワークが提供する追加の洞察を強調する。 合成データでは,選択モデルでソーシャル情報を利用する場合の複雑さの利点を示す。

関連論文リスト

• ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
  ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。 ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
  論文  参考訳（メタデータ） (2024-10-21T14:02:40Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• In Search of Insights, Not Magic Bullets: Towards Demystification of the Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
  本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。 選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
  論文  参考訳（メタデータ） (2023-02-06T16:55:37Z)
• Strategic Classification with Graph Neural Networks [10.131895986034316]
  学習にグラフを使用すると、予測にユーザ間の依存関係が導入される。 本稿では,グラフに基づく分類器の戦略的ロバスト学習のための微分可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-31T13:11:25Z)
• Budget-aware Few-shot Learning via Graph Convolutional Network [56.41899553037247]
  本稿では,いくつかの例から新しい視覚概念を学習することを目的とした,数ショット学習の課題に取り組む。 数ショット分類における一般的な問題設定は、データラベルの取得においてランダムサンプリング戦略を前提としている。 そこで我々は,新しい対象カテゴリーの学習を目的とした,予算に配慮した数発の学習問題を新たに導入する。
  論文  参考訳（メタデータ） (2022-01-07T02:46:35Z)
• Learning from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
  本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
  論文  参考訳（メタデータ） (2021-12-17T12:47:18Z)
• Selecting the suitable resampling strategy for imbalanced data classification regarding dataset properties [62.997667081978825]
  医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。 この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。 オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
  論文  参考訳（メタデータ） (2021-12-15T18:56:39Z)
• Client Selection in Federated Learning based on Gradients Importance [5.263296985310379]
  フェデレートラーニング(FL)は、複数のデバイスが個人データを共有せずにグローバルモデルを協調的に学習することを可能にする。 本稿では,勾配規範の重要性に基づいて,デバイス選択戦略を検討・設計する。
  論文  参考訳（メタデータ） (2021-11-19T11:53:23Z)
• Choice Set Confounding in Discrete Choice [29.25891648918572]
  既存の学習方法は、選択セットの割り当てがデータにどう影響するかを見落とします。 我々は因果推論から個別選択設定にメソッドを適応させる。 ホテル予約における選択集合の整理は,合理的な有効性最大化とより一致していることを示す。
  論文  参考訳（メタデータ） (2021-05-17T15:39:02Z)
• Learning Interpretable Feature Context Effects in Discrete Choice [40.91593765662774]
  本研究では、観測された選択データから、コンテキスト効果の幅広いクラスを自動的に発見する手法を提案する。 我々のモデルは既存のモデルよりも訓練が容易で柔軟であり、直感的で解釈可能で統計的にテスト可能なコンテキスト効果をもたらす。 我々は、広く使われている選択データセットにおける新しい文脈効果を特定し、ソーシャルネットワークの成長における選択セットの文脈効果を初めて分析する。
  論文  参考訳（メタデータ） (2020-09-07T20:59:24Z)
• Fairness-Aware Online Personalization [16.320648868892526]
  個人格付けを含むオンラインパーソナライズ設定における公平性について検討する。 最初に、オンラインパーソナライゼーションが、ユーザが応答に偏っている場合、モデルが不公平に行動することを学ぶことを実証する。 次に、公正な制約の下でパーソナライズされたモデルを学習する問題を定式化し、機械学習におけるバイアスを軽減するための正規化に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-30T07:16:17Z)

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。