論文の概要: Graph neural networks for residential location choice: connection to classical logit models
- arxiv url: http://arxiv.org/abs/2507.21334v1
- Date: Mon, 28 Jul 2025 21:01:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 17:08:55.345472
- Title: Graph neural networks for residential location choice: connection to classical logit models
- Title（参考訳）: 居住地選択のためのグラフニューラルネットワーク--古典ロジットモデルとの接続
- Authors: Zhanhong Cheng, Lingqian Hu, Yuheng Bu, Yuqi Zhou, Shenhao Wang,
- Abstract要約: 本稿では,居住地選択を解析するための新しいフレームワークとして,グラフニューラルネットワーク(GNN)を紹介する。
GNN-DCMは、空間的オルタナティブ間の依存を捉えるために、ニューラルネットワークに構造化されたアプローチを提供する。
GNN-DCMは、居住地選択を予測するために、ベンチマークMNL、SCL、フィードフォワードニューラルネットワークを上回っている。
- 参考スコア（独自算出の注目度）: 7.378576458810591
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Researchers have adopted deep learning for classical discrete choice analysis as it can capture complex feature relationships and achieve higher predictive performance. However, the existing deep learning approaches cannot explicitly capture the relationship among choice alternatives, which has been a long-lasting focus in classical discrete choice models. To address the gap, this paper introduces Graph Neural Network (GNN) as a novel framework to analyze residential location choice. The GNN-based discrete choice models (GNN-DCMs) offer a structured approach for neural networks to capture dependence among spatial alternatives, while maintaining clear connections to classical random utility theory. Theoretically, we demonstrate that the GNN-DCMs incorporate the nested logit (NL) model and the spatially correlated logit (SCL) model as two specific cases, yielding novel algorithmic interpretation through message passing among alternatives' utilities. Empirically, the GNN-DCMs outperform benchmark MNL, SCL, and feedforward neural networks in predicting residential location choices among Chicago's 77 community areas. Regarding model interpretation, the GNN-DCMs can capture individual heterogeneity and exhibit spatially-aware substitution patterns. Overall, these results highlight the potential of GNN-DCMs as a unified and expressive framework for synergizing discrete choice modeling and deep learning in the complex spatial choice contexts.
- Abstract（参考訳）: 研究者は、複雑な特徴関係を捉え、より高い予測性能を達成するため、古典的な個別選択分析にディープラーニングを採用した。
しかし、既存のディープラーニングアプローチは、古典的な個別選択モデルに長年注力してきた選択肢間の関係を明示的に捉えることはできない。
このギャップに対処するために,グラフニューラルネットワーク(GNN)を住宅立地選択を解析するための新しいフレームワークとして紹介する。
GNNベースの離散選択モデル(GNN-DCM)は、ニューラルネットワークが空間的オルタナティブ間の依存を捉えつつ、古典的ランダムユーティリティ理論との明確な接続を維持しながら、構造化されたアプローチを提供する。
理論的には、GNN-DCMにはネストロジット(NL)モデルと空間相関ロジット(SCL)モデルが2つの特定のケースとして組み込まれており、代替のユーティリティ間でメッセージパッシングによる新しいアルゴリズム解釈が生み出されている。
GNN-DCMはシカゴの77のコミュニティエリアにおける居住地選択を予測するために、ベンチマークMNL、SCL、フィードフォワードニューラルネットワークを上回っている。
モデル解釈に関して、GNN-DCMは個々の不均一性を捉えることができ、空間的に認識される置換パターンを示す。
これらの結果は,複合空間選択文脈における離散的選択モデリングと深層学習を相乗化するための統一的かつ表現的なフレームワークとしてのGNN-DCMの可能性を強調している。
関連論文リスト
- A Neuro-Symbolic Approach for Probabilistic Reasoning on Graph Data [12.45190689569629]
グラフネットワーク(GNN)は、しばしば記号的なドメイン知識を取り入れ、一般的な推論を行う能力に欠ける。
本稿では,GNNの学習強度とRBNの柔軟な推論能力を組み合わせることで,GNNをRBNにシームレスに統合するニューロシンボリックフレームワークを提案する。
この研究は、グラフデータに対する強力でコヒーレントなニューラルシンボリックなアプローチを導入し、新しいアプリケーションを可能にする方法で学習と推論を導入し、多様なタスクにおけるパフォーマンスを改善します。
論文 参考訳（メタデータ） (2025-07-29T14:43:25Z) - Spatiotemporal Learning on Cell-embedded Graphs [6.8090864965073274]
学習可能なセル属性をノードエッジメッセージパッシングプロセスに導入し,地域特性の空間依存性をよりよく把握する。
各種PDEシステムと1つの実世界のデータセットの実験は、CeGNNが他のベースラインモデルと比較して優れた性能を発揮することを示した。
論文 参考訳（メタデータ） (2024-09-26T16:22:08Z) - Interpretable A-posteriori Error Indication for Graph Neural Network Surrogate Models [0.0]
本稿では,グラフニューラルネットワーク(GNN)の解釈可能性向上手法を提案する。
最終結果は、予測タスクに本質的に関連付けられたサブグラフに対応する物理空間内の領域を分離する解釈可能なGNNモデルである。
解釈可能なGNNは、推論中に予測される予測エラーの大部分に対応するグラフノードを特定するためにも使用できる。
論文 参考訳（メタデータ） (2023-11-13T18:37:07Z) - Re-Think and Re-Design Graph Neural Networks in Spaces of Continuous
Graph Diffusion Functionals [7.6435511285856865]
グラフニューラルネットワーク(GNN)は、ソーシャルネットワークや生体システムのようなドメインで広く使われている。
GNNのローカリティ仮定は、グラフ内の長距離依存関係とグローバルパターンをキャプチャする能力を損なう。
本稿では,ブラヒクロニスト問題から着想を得た変分解析に基づく新しい帰納バイアスを提案する。
論文 参考訳（メタデータ） (2023-07-01T04:44:43Z) - On Neural Networks as Infinite Tree-Structured Probabilistic Graphical Models [44.676210493587256]
本稿では,ニューラルネットワークに対応する無限木構造PGMを構築することにより,革新的な解を提案する。
我々の研究は、DNNが前方伝播中に、この代替のPGM構造において正確であるPGMの近似を実行することを明らかにした。
論文 参考訳（メタデータ） (2023-05-27T21:32:28Z) - Neural Structured Prediction for Inductive Node Classification [29.908759584092167]
本稿では,ラベル付き学習グラフのモデルを学習し,未ラベルの試験グラフ上でノードラベルを推論するために一般化することを目的とした,帰納的環境におけるノード分類について検討する。
本稿では,両者の利点を組み合わせたSPN(Structured Proxy Network)という新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-04-15T15:50:27Z) - Bridging the Gap between Spatial and Spectral Domains: A Unified
Framework for Graph Neural Networks [61.17075071853949]
グラフニューラルネットワーク(GNN)は、古典的なディープラーニングが容易に管理できないグラフ構造データを扱うように設計されている。
本研究の目的は,スペクトルグラフと近似理論に基づいてGNNを統合する統一フレームワークを確立することである。
論文 参考訳（メタデータ） (2021-07-21T17:34:33Z) - Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。
提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
論文 参考訳（メタデータ） (2020-06-07T07:06:35Z) - Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。
現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。
これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文 参考訳（メタデータ） (2020-06-04T08:00:00Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z)
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。