論文の概要: Designing Graph Convolutional Neural Networks for Discrete Choice with Network Effects
- arxiv url: http://arxiv.org/abs/2503.09786v1
- Date: Wed, 12 Mar 2025 19:38:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-14 15:54:08.951977
- Title: Designing Graph Convolutional Neural Networks for Discrete Choice with Network Effects
- Title（参考訳）: ネットワーク効果を考慮した離散選択のためのグラフ畳み込みニューラルネットワークの設計
- Authors: Daniel F. Villarraga, Ricardo A. Daziano,
- Abstract要約: 本稿では,ネットワーク効果を個別にモデル化する新しいグラフ畳み込みニューラルネットワークアーキテクチャを提案する。
我々のアーキテクチャは、推論に必要な解釈可能性を維持しながら、標準的な離散選択モデルよりも高い予測性能を達成する。
アーキテクチャを従来の個別選択と汎用ディープラーニングモデルから派生したものと比較する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: We introduce a novel model architecture that incorporates network effects into discrete choice problems, achieving higher predictive performance than standard discrete choice models while offering greater interpretability than general-purpose flexible model classes. Econometric discrete choice models aid in studying individual decision-making, where agents select the option with the highest reward from a discrete set of alternatives. Intuitively, the utility an individual derives from a particular choice depends on their personal preferences and characteristics, the attributes of the alternative, and the value their peers assign to that alternative or their previous choices. However, most applications ignore peer influence, and models that do consider peer or network effects often lack the flexibility and predictive performance of recently developed approaches to discrete choice, such as deep learning. We propose a novel graph convolutional neural network architecture to model network effects in discrete choices, achieving higher predictive performance than standard discrete choice models while retaining the interpretability necessary for inference--a quality often lacking in general-purpose deep learning architectures. We evaluate our architecture using revealed commuting choice data, extended with travel times and trip costs for each travel mode for work-related trips in New York City, as well as 2016 U.S. election data aggregated by county, to test its performance on datasets with highly imbalanced classes. Given the interpretability of our models, we can estimate relevant economic metrics, such as the value of travel time savings in New York City. Finally, we compare the predictive performance and behavioral insights from our architecture to those derived from traditional discrete choice and general-purpose deep learning models.
- Abstract（参考訳）: 本稿では、ネットワーク効果を離散選択問題に組み込んだ新しいモデルアーキテクチャを導入し、汎用フレキシブルモデルクラスよりも高い解釈性を提供しながら、標準的な離散選択モデルよりも高い予測性能を実現する。
エコノメトリの離散選択モデルは、個々の意思決定を研究するのに役立ち、エージェントは個別の選択肢から最も高い報酬で選択肢を選択する。
直感的には、個人が特定の選択から導出する効用は、個人の好みや特徴、その選択肢の属性、仲間がその選択肢や以前の選択に割り当てる価値に依存する。
しかし、ほとんどのアプリケーションはピアの影響を無視しており、ピア効果やネットワーク効果を考慮に入れているモデルは、深層学習など、近年開発された個別選択へのアプローチの柔軟性と予測性能を欠いていることが多い。
本稿では、従来の離散選択モデルよりも高い予測性能を達成しつつ、推論に必要な解釈可能性を維持しながら、ネットワーク効果を離散選択でモデル化する新しいグラフ畳み込みニューラルネットワークアーキテクチャを提案する。
我々は,ニューヨーク市内における仕事関連旅行における旅行時間と旅行費を拡大した通勤選択データと,2016年のアメリカ合衆国大統領選挙データを用いて,高度に不均衡なクラスを持つデータセット上での性能試験を行った。
我々のモデルの解釈可能性を考えると、ニューヨーク市の旅行時間節約の価値など、関連する経済指標を推定できる。
最後に、アーキテクチャからの予測的パフォーマンスと行動的洞察を、従来の個別選択と汎用ディープラーニングモデルに由来するものと比較する。
関連論文リスト
- Revisiting SMoE Language Models by Evaluating Inefficiencies with Task Specific Expert Pruning [78.72226641279863]
SMOE(Sparse Mixture of Expert)モデルは、言語モデリングにおける高密度モデルに代わるスケーラブルな代替品として登場した。
本研究は,SMoEアーキテクチャの設計に関する意思決定を行うために,タスク固有のモデルプルーニングについて検討する。
適応型タスク対応プルーニング手法 UNCURL を導入し,MoE 層当たりの専門家数をオフラインで学習する手法を提案する。
論文 参考訳（メタデータ） (2024-09-02T22:35:03Z) - 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) - A Two-Phase Recall-and-Select Framework for Fast Model Selection [13.385915962994806]
本稿では,2相モデル選択フレームワークを提案する。
これは、ベンチマークデータセット上でモデルのトレーニングパフォーマンスを活用することにより、堅牢なモデルを選択する効率を高めることを目的としている。
提案手法は,従来のベースライン法に比べて約3倍の速度でハイパフォーマンスモデルの選択を容易にすることが実証された。
論文 参考訳（メタデータ） (2024-03-28T14:44:44Z) - IGANN Sparse: Bridging Sparsity and Interpretability with Non-linear Insight [4.010646933005848]
IGANN Sparseは、一般化された加法モデルのファミリーから生まれた、新しい機械学習モデルである。
トレーニング中の非線形特徴選択プロセスを通じて、スパシティを促進する。
これにより、予測性能を犠牲にすることなく、モデル空間の改善による解釈可能性を保証する。
論文 参考訳（メタデータ） (2024-03-17T22:44:36Z) - Budgeted Online Model Selection and Fine-Tuning via Federated Learning [26.823435733330705]
オンラインモデル選択では、候補モデルのセットからモデルを選択して、データのストリームで予測を実行する。
その後の候補モデルの選択は、パフォーマンスに決定的な影響を与えます。
本稿では,学習者グループ(クライアント)が十分なメモリを持つサーバと対話するオンラインフェデレーションモデル選択フレームワークを提案する。
提案したアルゴリズムを用いて、クライアントとサーバは微調整モデルと協調して非定常環境に適応する。
論文 参考訳（メタデータ） (2024-01-19T04:02:49Z) - 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) - Fantastic Gains and Where to Find Them: On the Existence and Prospect of
General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。
このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
論文 参考訳（メタデータ） (2023-10-26T17:59:46Z) - Investigating Ensemble Methods for Model Robustness Improvement of Text
Classifiers [66.36045164286854]
既存のバイアス機能を分析し、すべてのケースに最適なモデルが存在しないことを実証します。
適切なバイアスモデルを選択することで、より洗練されたモデル設計でベースラインよりもロバスト性が得られる。
論文 参考訳（メタデータ） (2022-10-28T17:52:10Z) - Deep Learning for Choice Modeling [5.173001988341294]
我々は,機能フリーと機能ベースという2つの選択モデルに基づいて,ディープラーニングに基づく選択モデルを構築した。
本モデルでは,候補選択に対する本質的効用と,候補選択が選択確率に与える影響の両方を捉える。
論文 参考訳（メタデータ） (2022-08-19T13:10:17Z) - Graph-Based Methods for Discrete Choice [27.874979682322376]
グラフ学習を使って、ネットワーク化されたコンテキストにおける選択を研究します。
ソーシャルネットワーク構造を取り入れることで、標準的な計量的選択モデルの予測を改善することができることを示す。
論文 参考訳（メタデータ） (2022-05-23T14:51:23Z) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳（メタデータ） (2021-01-02T02:11:37Z)
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。