論文の概要: Context-aware Bayesian Mixed Multinomial Logit Model
- arxiv url: http://arxiv.org/abs/2210.05737v2
- Date: Wed, 29 Mar 2023 15:42:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-30 18:44:39.908021
- Title: Context-aware Bayesian Mixed Multinomial Logit Model
- Title（参考訳）: コンテキスト対応ベイズ混合多重ロジットモデル
- Authors: Miros{\l}awa {\L}ukawska, Anders Fjendbo Jensen, Filipe Rodrigues
- Abstract要約: 混合多項ロジットモデルは、異なる選択状況を通して意思決定者の一定の選好パラメータを仮定する。
本稿では,コンテキスト対応型ベイズ混合ロジットモデルの概念を提案する。
ニューラルネットワークは、各選択機会における各個人の嗜好パラメータの解釈可能なシフトにコンテキスト情報をマッピングする。
- 参考スコア（独自算出の注目度）: 7.992550355579791
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The mixed multinomial logit model assumes constant preference parameters of a
decision-maker throughout different choice situations, which may be considered
too strong for certain choice modelling applications. This paper proposes an
effective approach to model context-dependent intra-respondent heterogeneity,
thereby introducing the concept of the Context-aware Bayesian mixed multinomial
logit model, where a neural network maps contextual information to
interpretable shifts in the preference parameters of each individual in each
choice occasion. The proposed model offers several key advantages. First, it
supports both continuous and discrete variables, as well as complex non-linear
interactions between both types of variables. Secondly, each context
specification is considered jointly as a whole by the neural network rather
than each variable being considered independently. Finally, since the neural
network parameters are shared across all decision-makers, it can leverage
information from other decision-makers to infer the effect of a particular
context on a particular decision-maker. Even though the context-aware Bayesian
mixed multinomial logit model allows for flexible interactions between
attributes, the increase in computational complexity is minor, compared to the
mixed multinomial logit model. We illustrate the concept and interpretation of
the proposed model in a simulation study. We furthermore present a real-world
case study from the travel behaviour domain - a bicycle route choice model,
based on a large-scale, crowdsourced dataset of GPS trajectories including
119,448 trips made by 8,555 cyclists.
- Abstract（参考訳）: 混合多項ロジットモデルは、選択状況の異なる意思決定者の一定の選好パラメータを仮定するが、これは特定の選択モデリングアプリケーションでは強すぎると考えられる。
本稿では,文脈依存型ベイズ混合多相ロジットモデルの概念を導入し,ニューラルネットワークが各個人の選好パラメータの解釈可能なシフトにコンテキスト情報をマッピングする手法を提案する。
提案モデルにはいくつかの利点がある。
まず、連続変数と離散変数の両方をサポートし、両方の変数タイプ間の複雑な非線形相互作用をサポートする。
第二に、各コンテキスト仕様は、独立に考慮される各変数ではなく、ニューラルネットワークによってまとめて考慮される。
最後に、ニューラルネットワークパラメータはすべての意思決定者間で共有されるため、他の意思決定者からの情報を活用して、特定のコンテキストが特定の意思決定者に与える影響を推測することができる。
コンテキスト対応のベイズ混合多重ロジットモデルでは属性間の柔軟な相互作用が可能であるが、混合マルチノミアルロジットモデルと比較して計算複雑性の増大は小さい。
シミュレーション研究において,提案モデルの概念と解釈について述べる。
さらに,8,555人のサイクリストによる119,448回の旅行を含む,大規模でクラウドソースされたGPSトラジェクトリのデータセットに基づいて,自転車経路選択モデルである旅行行動領域からの実例を提示する。
関連論文リスト
- Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。
CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。
CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
論文 参考訳（メタデータ） (2024-02-05T03:25:04Z) - The Contextual Lasso: Sparse Linear Models via Deep Neural Networks [5.607237982617641]
本研究では,空間的特徴の関数として空間的パターンと係数が変化するような説明的特徴に疎線形モデルに適合する新しい統計的推定器を開発する。
実データと合成データに関する広範な実験は、学習されたモデルは、非常に透明であり、通常のラッソよりもスペーサーであることを示している。
論文 参考訳（メタデータ） (2023-02-02T05:00:29Z) - Explainability as statistical inference [29.74336283497203]
本稿では、解釈可能な予測を生成するために設計された一般的な深層確率モデルを提案する。
モデルパラメータは最大限の確率で学習でき、任意の予測ネットワークアーキテクチャに適応することができる。
実験により,複数命令を用いるとより合理的な解釈が得られることが示された。
論文 参考訳（メタデータ） (2022-12-06T16:55:10Z) - A Statistical-Modelling Approach to Feedforward Neural Network Model Selection [0.8287206589886881]
フィードフォワードニューラルネットワーク(FNN)は非線形回帰モデルと見なすことができる。
FNNのためのベイズ情報基準(BIC)を用いて,新しいモデル選択法を提案する。
サンプル外性能よりもBICを選択することは、真のモデルを回復する確率を増大させる。
論文 参考訳（メタデータ） (2022-07-09T11:07:04Z) - Dependency-based Mixture Language Models [53.152011258252315]
依存性に基づく混合言語モデルを紹介する。
より詳しくは、依存関係モデリングの新たな目的により、まずニューラルネットワークモデルを訓練する。
次に、前回の依存性モデリング確率分布と自己意図を混合することにより、次の確率を定式化する。
論文 参考訳（メタデータ） (2022-03-19T06:28:30Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - A Discrete Variational Recurrent Topic Model without the
Reparametrization Trick [16.54912614895861]
離散確率変数を用いたニューラルトピックモデルの学習方法を示す。
複数のコーパスにまたがってパープレキシティと文書理解が改善された。
論文 参考訳（メタデータ） (2020-10-22T20:53:44Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳（メタデータ） (2020-09-29T12:50:33Z) - Amortized Bayesian model comparison with evidential deep learning [0.12314765641075436]
本稿では,専門的なディープラーニングアーキテクチャを用いたベイズモデルの比較手法を提案する。
提案手法は純粋にシミュレーションベースであり,観測された各データセットに対して,すべての代替モデルを明示的に適合させるステップを回避している。
提案手法は,本研究で検討した事例に対して,精度,キャリブレーション,効率の点で優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2020-04-22T15:15:46Z) - Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。
これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。
おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
論文 参考訳（メタデータ） (2020-02-17T19:23:36Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。