論文の概要: Nonparametric Discrete Choice Experiments with Machine Learning Guided Adaptive Design

• arxiv url: http://arxiv.org/abs/2310.12026v1
• Date: Wed, 18 Oct 2023 15:01:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-19 16:06:25.182936
• Title: Nonparametric Discrete Choice Experiments with Machine Learning Guided Adaptive Design
• Title（参考訳）: 機械学習誘導適応設計による非パラメトリック離散選択実験
• Authors: Mingzhang Yin, Ruijiang Gao, Weiran Lin, Steven M. Shugan
• Abstract要約: 本稿では,多属性製品設計のための個別選択実験であるGradient-based Survey (GBS)を提案する。 この実験は、部分プロファイルのペア比較のシーケンスを通じて消費者の嗜好を導き出す。 GBSは、回答者の以前の選択に基づいてペア比較質問を適応的に構成する。
• 参考スコア（独自算出の注目度）: 8.696186427751439
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing products to meet consumers' preferences is essential for a business's success. We propose the Gradient-based Survey (GBS), a discrete choice experiment for multiattribute product design. The experiment elicits consumer preferences through a sequence of paired comparisons for partial profiles. GBS adaptively constructs paired comparison questions based on the respondents' previous choices. Unlike the traditional random utility maximization paradigm, GBS is robust to model misspecification by not requiring a parametric utility model. Cross-pollinating the machine learning and experiment design, GBS is scalable to products with hundreds of attributes and can design personalized products for heterogeneous consumers. We demonstrate the advantage of GBS in accuracy and sample efficiency compared to the existing parametric and nonparametric methods in simulations.
• Abstract（参考訳）: 消費者の嗜好を満たす製品の設計は、ビジネスの成功に不可欠である。 本稿では,多属性製品設計のための個別選択実験であるGradient-based Survey (GBS)を提案する。 この実験は、部分プロファイルのペア比較のシーケンスを通じて消費者の嗜好を導き出す。 GBSは、回答者の以前の選択に基づいてペア比較質問を適応的に構成する。 従来のランダムなユーティリティ最大化パラダイムとは異なり、GBSはパラメトリックなユーティリティモデルを必要としないため、誤特定をモデル化するのに堅牢である。 機械学習と実験設計のクロスポーリングにより、GBSは数百の属性を持つ製品にスケーラブルであり、異種消費者向けにパーソナライズされた製品を設計することができる。 シミュレーションにおいて,既存のパラメトリック法や非パラメトリック法と比較して,GBSの精度と試料効率の利点を示す。

関連論文リスト

• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Scaling Exponents Across Parameterizations and Optimizers [94.54718325264218]
  本稿では,先行研究における重要な仮定を考察し,パラメータ化の新たな視点を提案する。 私たちの経験的調査には、3つの組み合わせでトレーニングされた数万のモデルが含まれています。 最高の学習率のスケーリング基準は、以前の作業の仮定から除外されることがよくあります。
  論文  参考訳（メタデータ） (2024-07-08T12:32:51Z)
• Diversified Batch Selection for Training Acceleration [68.67164304377732]
  オンラインバッチ選択として知られる一般的な研究ラインでは、トレーニングプロセス中の情報サブセットの選択について検討している。 バニラ参照モデルフリーメソッドは、独立してデータをサンプリング的にスコア付けし、選択する。 DivBS(Diversified Batch Selection)を提案する。
  論文  参考訳（メタデータ） (2024-06-07T12:12:20Z)
• PASOA- PArticle baSed Bayesian Optimal Adaptive design [2.2186678387006435]
  本稿では,パラメータ推定のための後続分布の正確な推定を同時に提供することによって,逐次設計最適化を行う新しい手法を提案する。 予測情報ゲイン(EIG)を最大化するために、SMC(Sequential Monte Carlo)サンプリングと最適化を用いて、コントラスト推定原理を用いてシーケンシャル設計を行う。 提案手法は, 高い情報ゲインと正確なSMCサンプリングの両方を同時に行うことが提案され, 性能に欠かせないことを示す。
  論文  参考訳（メタデータ） (2024-02-11T11:11:39Z)
• Task-specific experimental design for treatment effect estimation [59.879567967089145]
  因果推論の標準は大規模ランダム化試験(RCT)である。 近年の研究では、RCTのよりサンプル効率の良い代替案が提案されているが、これらは因果効果を求める下流の応用には適用できない。 実験的な設計のためのタスク固有のアプローチを開発し、特定の下流アプリケーションにカスタマイズされたサンプリング戦略を導出する。
  論文  参考訳（メタデータ） (2023-06-08T18:10:37Z)
• One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
  Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。 本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-06T20:28:37Z)
• A Unified Perspective on Natural Gradient Variational Inference with Gaussian Mixture Models [18.426817621478804]
  VIPSとiBayes-GMMの派生した更新は、初めて同じであることを示す。 どちらのアプローチにおいても、学習した近似の質はそれぞれの設計選択に大きく左右される可能性がある、と我々は主張する。 情報幾何学的信頼領域は1次自然勾配推定を用いても有効であることを示す。
  論文  参考訳（メタデータ） (2022-09-23T11:43:27Z)
• Parameter-Efficient Conformers via Sharing Sparsely-Gated Experts for End-to-End Speech Recognition [17.73449206184214]
  本稿では,スパースゲート型エキスパートの共有によるパラメータ効率の高いコンバータを提案する。 具体的には,コンバータブロックの容量を増大させることなく,スパースゲート・オブ・エグゼクティブ(MoE)を用いて,コンバータブロックの容量を拡大する。
  論文  参考訳（メタデータ） (2022-09-17T13:22:19Z)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• Semi-nonparametric Latent Class Choice Model with a Flexible Class Membership Component: A Mixture Model Approach [6.509758931804479]
  提案したモデルは、従来のランダムユーティリティ仕様に代わるアプローチとして混合モデルを用いて潜在クラスを定式化する。 その結果,混合モデルにより潜在クラス選択モデル全体の性能が向上した。
  論文  参考訳（メタデータ） (2020-07-06T13:19:26Z)
• Multi-Objective Hyperparameter Tuning and Feature Selection using Filter Ensembles [0.8029049649310213]
  特徴選択を多目的最適化タスクとして扱う。 まず、多目的モデルベースの最適化を使用する。 第二に、NSGA-IIベースのラッパーアプローチによる特徴選択である。
  論文  参考訳（メタデータ） (2019-12-30T13:04:06Z)

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。