論文の概要: RUMBoost: Gradient Boosted Random Utility Models
- arxiv url: http://arxiv.org/abs/2401.11954v1
- Date: Mon, 22 Jan 2024 13:54:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 13:59:56.105999
- Title: RUMBoost: Gradient Boosted Random Utility Models
- Title（参考訳）: RUMBoost: グラディエントなランダムユーティリティモデル
- Authors: Nicolas Salvad\'e, Tim Hillel
- Abstract要約: RUMBoostモデルは、ランダムユーティリティモデル(RUM)の解釈可能性と行動的堅牢性と、ディープラーニング手法の一般化と予測能力を組み合わせる。
本稿では,RUMBoostモデルとMLおよびRandom Utilityベンチマークモデルとの比較を行い,ロンドンの選好モード選択データについて検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces the RUMBoost model, a novel discrete choice modelling
approach that combines the interpretability and behavioural robustness of
Random Utility Models (RUMs) with the generalisation and predictive ability of
deep learning methods. We obtain the full functional form of non-linear utility
specifications by replacing each linear parameter in the utility functions of a
RUM with an ensemble of gradient boosted regression trees. This enables
piece-wise constant utility values to be imputed for all alternatives directly
from the data for any possible combination of input variables. We introduce
additional constraints on the ensembles to ensure three crucial features of the
utility specifications: (i) dependency of the utilities of each alternative on
only the attributes of that alternative, (ii) monotonicity of marginal
utilities, and (iii) an intrinsically interpretable functional form, where the
exact response of the model is known throughout the entire input space.
Furthermore, we introduce an optimisation-based smoothing technique that
replaces the piece-wise constant utility values of alternative attributes with
monotonic piece-wise cubic splines to identify non-linear parameters with
defined gradient. We demonstrate the potential of the RUMBoost model compared
to various ML and Random Utility benchmark models for revealed preference mode
choice data from London. The results highlight the great predictive performance
and the direct interpretability of our proposed approach. Furthermore, the
smoothed attribute utility functions allow for the calculation of various
behavioural indicators and marginal utilities. Finally, we demonstrate the
flexibility of our methodology by showing how the RUMBoost model can be
extended to complex model specifications, including attribute interactions,
correlation within alternative error terms and heterogeneity within the
population.
- Abstract（参考訳）: 本稿では,ランダムユーティリティモデル (rums) の解釈可能性と行動的ロバスト性と,ディープラーニング手法の一般化と予測能力を組み合わせた,新しい離散的選択モデリング手法 rumboost model を提案する。
我々は、RUMのユーティリティ機能における各線形パラメータを勾配強化回帰木の集合に置き換えることで、非線形ユーティリティ仕様の完全な機能形式を得る。
これにより、入力変数の任意の組み合わせに対してデータから直接、すべての代替案に対して一貫したユーティリティ値をインプットすることができる。
我々は,実用仕様の3つの重要な特徴を保証するために,アンサンブルに付加的な制約を導入する。
(i)各代替案の効用がその代替案の属性のみに依存すること。
(ii)限界ユーティリティの単調性、及び
(iii)本質的に解釈可能な機能形式であり、入力空間全体を通してモデルの正確な応答が知られている。
さらに,最適化に基づく平滑化手法を導入することで,非線形パラメータを定勾配で識別するために,代替属性の断片的定数ユーティリティ値を単調な部分的立方晶スプラインに置き換える。
本稿では,RUMBoostモデルとMLおよびRandom Utilityベンチマークモデルとの比較を行い,ロンドンの選好モード選択データについて検討した。
その結果,提案手法の予測性能と直接解釈性が強調された。
さらに、スムーズな属性ユーティリティ関数は、様々な行動指標と限界ユーティリティの計算を可能にする。
最後に,rumboostモデルが属性の相互作用,代替エラー項における相関,集団内の多様性など,複雑なモデル仕様にどのように拡張できるかを示すことで,この手法の柔軟性を実証する。
関連論文リスト
- Generalized Sparse Additive Model with Unknown Link Function [19.807823040041896]
我々は、未知リンク関数(GSAMUL)を持つ一般化スパース加法モデルという新しいスパース加法モデルを提案する。
成分関数はB-スプラインベースで推定され、未知リンク関数は多層パーセプトロン(MLP)ネットワークで推定される。
応用において、合成および実世界のデータセットの実験的評価は、提案手法の有効性を一貫して検証する。
論文 参考訳（メタデータ） (2024-10-08T13:13:58Z) - Scaling and renormalization in high-dimensional regression [72.59731158970894]
本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。
本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
論文 参考訳（メタデータ） (2024-05-01T15:59:00Z) - Break The Spell Of Total Correlation In betaTCVAE [4.38301148531795]
本稿では,全相関の反復的分解経路を提案し,VAEの非絡み合い表現能力について説明する。
新たなモデルにより、VAEはパラメータキャパシティを柔軟に分割し、依存データと独立データの特徴を分割することができる。
論文 参考訳（メタデータ） (2022-10-17T07:16:53Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - MACE: An Efficient Model-Agnostic Framework for Counterfactual
Explanation [132.77005365032468]
MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。
MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。
公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
論文 参考訳（メタデータ） (2022-05-31T04:57:06Z) - Spike-and-Slab Generalized Additive Models and Scalable Algorithms for
High-Dimensional Data [0.0]
本稿では,高次元データに対応するため,階層型一般化加法モデル(GAM)を提案する。
曲線の適切な縮退と滑らか化関数線型空間と非線形空間の分離に対する平滑化ペナルティを考察する。
2つの決定論的アルゴリズム、EM-Coordinate Descent と EM-Iterative Weighted Least Squares は異なるユーティリティ向けに開発された。
論文 参考訳（メタデータ） (2021-10-27T14:11:13Z) - Information-theoretic Feature Selection via Tensor Decomposition and
Submodularity [38.05393186002834]
本稿では,全ての変数の結合PMFの低ランクテンソルモデルを導入し,複雑性を緩和し,与えられた特徴量の分類性能を最大化する手法として間接的ターゲットを提案する。
原目標変数の代わりにネイブベイズモデルの潜伏変数を間接的に予測することにより、濃度制約を受ける単調部分モジュラ函数として特徴選択問題を定式化することができる。
論文 参考訳（メタデータ） (2020-10-30T10:36:46Z) - Probabilistic Circuits for Variational Inference in Discrete Graphical
Models [101.28528515775842]
変分法による離散的グラフィカルモデルの推論は困難である。
エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。
Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。
選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
論文 参考訳（メタデータ） (2020-10-22T05:04:38Z) - 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) - Slice Sampling for General Completely Random Measures [74.24975039689893]
本稿では, 後続推定のためのマルコフ連鎖モンテカルロアルゴリズムについて, 補助スライス変数を用いてトランケーションレベルを適応的に設定する。
提案アルゴリズムの有効性は、いくつかの一般的な非パラメトリックモデルで評価される。
論文 参考訳（メタデータ） (2020-06-24T17:53:53Z) - Misspecification-robust likelihood-free inference in high dimensions [13.934999364767918]
本稿では,ベイズ最適化に基づく近似離散関数の確率的手法による拡張を提案する。
提案手法は,高次元パラメータ空間に対する計算スケーラビリティを,各パラメータの別個の取得関数と相違点を用いて達成する。
本手法は,100次元空間における標準例による計算効率のよい推論を成功させ,既存のモジュール化ABC法と比較した。
論文 参考訳（メタデータ） (2020-02-21T16:06:11Z)
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。