論文の概要: How Do Consumers Really Choose: Exposing Hidden Preferences with the Mixture of Experts Model

• arxiv url: http://arxiv.org/abs/2503.05800v1
• Date: Mon, 03 Mar 2025 13:17:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-16 07:11:36.422092
• Title: How Do Consumers Really Choose: Exposing Hidden Preferences with the Mixture of Experts Model
• Title（参考訳）: 消費者が本当にどう選ぶか:隠れた嗜好を専門家のモデルと組み合わせて表現する
• Authors: Diego Vallarino,
• Abstract要約: 本研究では、消費者を動的にセグメント化する機械学習駆動の代替手段として、Mixture of Experts(MoE)フレームワークを紹介した。 MoEは不均一な嗜好をモデル化するための柔軟な非パラメトリックなアプローチを提供する。 大規模小売データを用いた実証検証は、MoEが予測精度を大幅に向上させることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Understanding consumer choice is fundamental to marketing and management research, as firms increasingly seek to personalize offerings and optimize customer engagement. Traditional choice modeling frameworks, such as multinomial logit (MNL) and mixed logit models, impose rigid parametric assumptions that limit their ability to capture the complexity of consumer decision-making. This study introduces the Mixture of Experts (MoE) framework as a machine learning-driven alternative that dynamically segments consumers based on latent behavioral patterns. By leveraging probabilistic gating functions and specialized expert networks, MoE provides a flexible, nonparametric approach to modeling heterogeneous preferences. Empirical validation using large-scale retail data demonstrates that MoE significantly enhances predictive accuracy over traditional econometric models, capturing nonlinear consumer responses to price variations, brand preferences, and product attributes. The findings underscore MoEs potential to improve demand forecasting, optimize targeted marketing strategies, and refine segmentation practices. By offering a more granular and adaptive framework, this study bridges the gap between data-driven machine learning approaches and marketing theory, advocating for the integration of AI techniques in managerial decision-making and strategic consumer insights.
• Abstract（参考訳）: 企業が商品のパーソナライズと顧客エンゲージメントの最適化をますます求めている中、消費者の選択を理解することはマーケティングとマネジメントの研究に欠かせない。 MNL(Multinomial logit)や混合ロジットモデル(mixed logit model)といった従来の選択モデリングフレームワークは、消費者の意思決定の複雑さを捉える能力を制限する厳格なパラメトリックな仮定を課している。 本研究では,潜伏行動パターンに基づいて消費者を動的にセグメンテーションする機械学習駆動の代替手段として,Mixture of Experts(MoE)フレームワークを紹介した。 確率的ゲーティング関数と専門の専門家ネットワークを活用することで、MoEは不均一な嗜好をモデル化するための柔軟で非パラメトリックなアプローチを提供する。 大規模小売データを用いた実証検証では、MoEは従来の計量モデルよりも予測精度を著しく向上させ、価格変動やブランドの好み、製品属性に対する非線形消費者反応を捉えている。 この調査結果は、需要予測を改善し、ターゲットとしたマーケティング戦略を最適化し、セグメンテーションを洗練するためのMoEの可能性を強調している。 よりきめ細かい適応的なフレームワークを提供することで、この研究は、データ駆動機械学習アプローチとマーケティング理論のギャップを埋め、管理的意思決定と戦略的消費者の洞察にAI技術を統合することを提唱する。

関連論文リスト

• Beyond Predictions: A Participatory Framework for Multi-Stakeholder Decision-Making [3.3044728148521623]
  本稿では,複数株主最適化問題として意思決定を再定義する新たな参加型フレームワークを提案する。 我々のフレームワークは、コンテキスト依存の報酬関数を通じて各アクターの好みをキャプチャする。 本稿では,複数の指標にまたがるユーザ定義の選好を利用して意思決定戦略をランク付けする合成スコアリング機構を提案する。
  論文  参考訳（メタデータ） (2025-02-12T16:27:40Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Consumer Transactions Simulation through Generative Adversarial Networks [0.07373617024876725]
  本稿では,合成小売取引データを生成するためのGAN(Generative Adversarial Networks)の革新的な応用について述べる。 我々は、SKUデータをGANアーキテクチャに統合し、より洗練された埋め込み手法を用いて従来の手法から切り離す。 その結果, 実物と実物を比較することで, シミュレーショントランザクションにおける現実性の向上が示された。
  論文  参考訳（メタデータ） (2024-08-07T09:45:24Z)
• Diversifying the Expert Knowledge for Task-Agnostic Pruning in Sparse Mixture-of-Experts [75.85448576746373]
  本稿では,モデルのパラメータ効率を向上させるために,類似の専門家をグループ化し,グループ化する方法を提案する。 提案手法の有効性を3つの最先端MoEアーキテクチャを用いて検証する。 評価の結果,本手法は自然言語タスクにおいて,他のモデルプルーニング手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-07-12T17:25:02Z)
• Fair Multivariate Adaptive Regression Splines for Ensuring Equity and Transparency [1.124958340749622]
  学習過程に公平度を組み込んだMARSに基づく公正度予測モデルを提案する。 MARSは、特徴選択を行い、非線形関係を扱い、解釈可能な決定ルールを生成し、変数の最適分割基準を導出する非パラメトリック回帰モデルである。 実世界のデータにfairMARSモデルを適用し、精度とエクイティの観点からその有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-23T19:02:24Z)
• Modeling the Telemarketing Process using Genetic Algorithms and Extreme Boosting: Feature Selection and Cost-Sensitive Analytical Approach [0.06906005491572399]
  本研究は、顧客による長期預金の意欲をモデル化する上で、テレマーケティングデータの力を活用することを目的とする。 ポルトガルの銀行と社会経済指標の実際のデータは、遠隔販売による意思決定プロセスのモデル化に使用される。
  論文  参考訳（メタデータ） (2023-10-30T08:46:55Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
  消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。 我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。 提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-03-28T00:23:23Z)
• Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
  変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。 本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
  論文  参考訳（メタデータ） (2021-01-06T17:36:26Z)
• Consumer Behaviour in Retail: Next Logical Purchase using Deep Neural Network [0.0]
  消費者購入パターンの正確な予測は、より良い在庫計画と効率的なパーソナライズされたマーケティング戦略を可能にする。 Multi Layer Perceptron、Long Short Term Memory (LSTM)、Temporal Convolutional Networks (TCN)、TCN-LSTMのような神経ネットワークアーキテクチャは、XgboostやRandomForestといったMLモデルに取って代わる。
  論文  参考訳（メタデータ） (2020-10-14T11:00:00Z)

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。