論文の概要: An Interpretable Determinantal Choice Model for Subset Selection

• arxiv url: http://arxiv.org/abs/2302.11477v1
• Date: Wed, 22 Feb 2023 16:26:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-23 14:36:19.366373
• Title: An Interpretable Determinantal Choice Model for Subset Selection
• Title（参考訳）: サブセット選択のための解釈可能な決定的選択モデル
• Authors: Sander Aarts and David B. Shmoys and Alex Coy
• Abstract要約: 本稿では,直観的ランダム効用モデルと抽出可能な決定点プロセスの2つのサブセット選択モデルを結合する。 両世界のベストを享受する決定的選択モデルを特定する。 シミュレーション研究により,データから負の依存関係の連続体を学習できることが検証され,LoRaネットワークにおける無線干渉に関する新たな知見が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding how subsets of items are chosen from offered sets is critical to assortment planning, wireless network planning, and many other applications. There are two seemingly unrelated subset choice models that capture dependencies between items: intuitive and interpretable random utility models; and tractable determinantal point processes (DPPs). This paper connects the two. First, all DPPs are shown to be random utility models. Next, a determinantal choice model that enjoys the best of both worlds is specified; the model is shown to subsume logistic regression when dependence is minimal, and MNL when dependence is maximally negative. This makes the model interpretable, while retaining the tractability of DPPs. A simulation study verifies that the model can learn a continuum of negative dependencies from data, and an applied study using original experimental data produces novel insights on wireless interference in LoRa networks.
• Abstract（参考訳）: 提供されたセットからアイテムのサブセットをどのように選択するかを理解することは、アソシエーションプランニング、無線ネットワークプランニング、その他多くのアプリケーションにとって重要である。 アイテム間の依存関係をキャプチャする、一見無関係なサブセット選択モデルとして、直観的および解釈可能なランダムユーティリティモデルと、抽出可能な決定点プロセス(DPP)がある。 この論文は2つをつなぐ。 まず、すべての DPP はランダムなユーティリティモデルであることが示される。 次に、両方の世界のベストを享受する決定的選択モデルが特定され、依存が最小の場合にロジスティック回帰を仮定し、依存が最大負の場合にはMNLを示す。 これによりモデルは解釈可能となり、DPPのトラクタビリティは維持される。 シミュレーション研究は、モデルがデータから負の依存関係の連続性を学習できることを検証し、最初の実験データを用いた応用研究は、loraネットワークにおけるワイヤレス干渉に関する新しい洞察を生み出す。

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)
• Secrets of RLHF in Large Language Models Part II: Reward Modeling [134.97964938009588]
  本稿では,データセットにおける不正確で曖昧な嗜好の影響を軽減するために,一連の新しい手法を紹介する。 また、選択された応答と拒否された応答を区別する報酬モデルの有用性を高めるために、対照的な学習を導入する。
  論文  参考訳（メタデータ） (2024-01-11T17:56:59Z)
• Response Time Improves Choice Prediction and Function Estimation for Gaussian Process Models of Perception and Preferences [4.6584146134061095]
  選好学習と心理物理学における人間の選択予測のモデルは、しばしば二分反応データのみを考慮する。 本稿では拡散決定モデル(DDM)の新たな微分可能近似法を提案する。 次に、この新たな可能性を使って、二進選択のためにRTをGPモデルに組み込む。
  論文  参考訳（メタデータ） (2023-06-09T23:22:49Z)
• A Nonparametric Approach with Marginals for Modeling Consumer Choice [5.829992438125586]
  限界分布モデル(MDM)は、ランダムユーティリティモデル(RUM)における同様の特徴付けの有用性に着想を得たものである。 我々は,MDMがRUMやパラメトリックモデルと比較して,競争力と予測性能を示すことを示した。
  論文  参考訳（メタデータ） (2022-08-12T04:43:26Z)
• Sharing pattern submodels for prediction with missing values [12.981974894538668]
  機械学習の多くのアプリケーションでは欠落値は避けられず、トレーニング中もテスト時にも課題が提示される。 パターンサブモデル(パターンサブモデル)と呼ばれる別の手法を提案する。これは、テスト時に欠落した値に対して、予測を堅牢にし、パターンサブモデルの予測力を維持または改善させる。
  論文  参考訳（メタデータ） (2022-06-22T15:09:40Z)
• On the Efficacy of Adversarial Data Collection for Question Answering: Results from a Large-Scale Randomized Study [65.17429512679695]
  逆データ収集(ADC)では、人間の労働力がモデルとリアルタイムで対話し、誤った予測を誘発する例を作成しようとする。 ADCの直感的な魅力にも拘わらず、敵対的データセットのトレーニングがより堅牢なモデルを生成するかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-06-02T00:48:33Z)
• Paired Examples as Indirect Supervision in Latent Decision Models [109.76417071249945]
  我々は、ペア化された例を活用して、潜在的な決定を学習するためのより強力な手がかりを提供する方法を紹介します。 DROPデータセット上のニューラルネットワークを用いた合成質問応答の改善に本手法を適用した。
  論文  参考訳（メタデータ） (2021-04-05T03:58:30Z)
• Disentangled Recurrent Wasserstein Autoencoder [17.769077848342334]
  Recurrent Wasserstein Autoencoder (R-WAE)はシーケンシャルデータの生成モデリングのための新しいフレームワークである。 R-WAEは入力シーケンスの表現を静的および動的因子に切り離す。 私達のモデルは無条件のビデオ生成およびdisentanglementの点では同じ設定の他のベースラインを上回ります。
  論文  参考訳（メタデータ） (2021-01-19T07:43:25Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)
• DGSAC: Density Guided Sampling and Consensus [4.808421423598809]
  Kernel Residual Densityは、inlierとoutlierの主な差別化要因である。 本稿では,2つのモデル選択アルゴリズム,最適2次プログラム,および欲求性を提案する。 平面分割, 運動分割, 点推定, 3次元点雲への平面整合, 直線, 円環整合など, 様々なタスクについて評価を行った。
  論文  参考訳（メタデータ） (2020-06-03T17:42:53Z)
• 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)

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。