論文の概要: Bayesian Deep Learning for Discrete Choice

• arxiv url: http://arxiv.org/abs/2505.18077v1
• Date: Fri, 23 May 2025 16:33:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.222164
• Title: Bayesian Deep Learning for Discrete Choice
• Title（参考訳）: 離散選択のためのベイズ深層学習
• Authors: Daniel F. Villarraga, Ricardo A. Daziano,
• Abstract要約: 本稿では,ベイズ近似手法の統合に特化して設計されたディープラーニングモデルアーキテクチャを提案する。 提案モデルでは,データに制限がある場合,行動情報に基づく仮説が崩壊する。 本研究は、ニューヨーク市におけるモード選択データを用いた実証事例と、スイスの列車選択データに記述された嗜好データに基づく事例である。
• 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: Discrete choice models (DCMs) are used to analyze individual decision-making in contexts such as transportation choices, political elections, and consumer preferences. DCMs play a central role in applied econometrics by enabling inference on key economic variables, such as marginal rates of substitution, rather than focusing solely on predicting choices on new unlabeled data. However, while traditional DCMs offer high interpretability and support for point and interval estimation of economic quantities, these models often underperform in predictive tasks compared to deep learning (DL) models. Despite their predictive advantages, DL models remain largely underutilized in discrete choice due to concerns about their lack of interpretability, unstable parameter estimates, and the absence of established methods for uncertainty quantification. Here, we introduce a deep learning model architecture specifically designed to integrate with approximate Bayesian inference methods, such as Stochastic Gradient Langevin Dynamics (SGLD). Our proposed model collapses to behaviorally informed hypotheses when data is limited, mitigating overfitting and instability in underspecified settings while retaining the flexibility to capture complex nonlinear relationships when sufficient data is available. We demonstrate our approach using SGLD through a Monte Carlo simulation study, evaluating both predictive metrics--such as out-of-sample balanced accuracy--and inferential metrics--such as empirical coverage for marginal rates of substitution interval estimates. Additionally, we present results from two empirical case studies: one using revealed mode choice data in NYC, and the other based on the widely used Swiss train choice stated preference data.
• Abstract（参考訳）: 離散選択モデル(DCM)は、交通機関の選択、政治選挙、消費者の嗜好といった文脈で個々の意思決定を分析するために用いられる。 DCMは、新しいラベルのないデータに対する選択の予測にのみ焦点をあてるのではなく、置換の限界率などの主要な経済変数の推測を可能にすることで、応用経済学において中心的な役割を担っている。 しかし、従来のDCMは高い解釈可能性を提供し、経済量のポイントとインターバルの推定をサポートするが、これらのモデルはディープラーニング(DL)モデルと比較して予測タスクでは性能が劣ることが多い。 予測的優位性にもかかわらず、DLモデルは、解釈可能性の欠如、不安定なパラメータ推定、不確実性定量化のための確立された方法の欠如といった懸念から、離散的な選択においてほとんど使われていない。 本稿では,SGLD(Stochastic Gradient Langevin Dynamics)のようなベイズ近似推論手法と統合したディープラーニングモデルアーキテクチャを提案する。 提案モデルでは,データが制限された場合の行動情報仮説に分解し,不特定設定における過度な適合や不安定性を緩和するとともに,十分なデータが利用可能であれば複雑な非線形関係を捉える柔軟性を維持した。 モンテカルロシミュレーションを用いてSGLDを用いた手法を実証し, 推定値, 推定値, 推定値, 推定値, 置換間隔推定値の辺縁率について検討した。 さらに,ニューヨークにおけるモード選択データを用いた実証事例と,スイスの列車選択データに記述された嗜好データに基づく事例を提示した。

関連論文リスト

• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Semi-Supervised Model-Free Bayesian State Estimation from Compressed Measurements [57.04370580292727]
  圧縮測定によるベイズ状態の推定について考察する。 時間的測定ベクトルの寸法は、推定される時間的状態ベクトルの寸法よりも小さい。 状態の進化の基盤となる力学モデルは「モデルフリープロセス」では未知数である。
  論文  参考訳（メタデータ） (2024-07-10T05:03:48Z)
• Federated Bayesian Deep Learning: The Application of Statistical Aggregation Methods to Bayesian Models [0.9940108090221528]
  集約戦略は、分散決定論的モデルの重みとバイアスをプールまたはフューズするために開発されている。 決定論的モデルに対するFLスキームに付随するアグリゲーション手法の簡単な適用は不可能か、あるいは準最適性能をもたらすかを示す。
  論文  参考訳（メタデータ） (2024-03-22T15:02:24Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Learning Robust Statistics for Simulation-based Inference under Model Misspecification [23.331522354991527]
  本稿では,シミュレーションに基づく推論手法の異なるクラスにまたがって機能するモデル不特定性を扱うための,最初の一般的なアプローチを提案する。 提案手法は,モデルが適切に特定された場合の精度を保ちながら,不特定シナリオにおいて頑健な推論をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-05-25T09:06:26Z)
• Revisiting Design Choices in Model-Based Offline Reinforcement Learning [39.01805509055988]
  オフライン強化学習により、エージェントは環境遷移の大規模な収集済みデータセットを利用して制御ポリシーを学習することができる。 本稿では、モデル数や仮想ロールアウト地平線など、他のハイパーパラメータとの相互作用を研究するための新しいプロトコルを比較し、設計する。
  論文  参考訳（メタデータ） (2021-10-08T13:51:34Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。