論文の概要: NestGNN: A Graph Neural Network Framework Generalizing the Nested Logit Model for Travel Mode Choice
- arxiv url: http://arxiv.org/abs/2509.07123v1
- Date: Mon, 08 Sep 2025 18:19:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-10 14:38:27.077462
- Title: NestGNN: A Graph Neural Network Framework Generalizing the Nested Logit Model for Travel Mode Choice
- Title（参考訳）: NestGNN: 旅行モード選択のためのNested Logitモデルを一般化したグラフニューラルネットワークフレームワーク
- Authors: Yuqi Zhou, Zhanhong Cheng, Lingqian Hu, Yuheng Bu, Shenhao Wang,
- Abstract要約: 本研究では,旅行モードの代替手段間の関係を表現する新しい概念である代替グラフを提案する。
ネストグラフを用いて、古典的NLモデルの一般化として、ネスト効用グラフニューラルネットワーク(NestGNN)をさらに設計する。
- 参考スコア（独自算出の注目度）: 13.4777743172951
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nested logit (NL) has been commonly used for discrete choice analysis, including a wide range of applications such as travel mode choice, automobile ownership, or location decisions. However, the classical NL models are restricted by their limited representation capability and handcrafted utility specification. While researchers introduced deep neural networks (DNNs) to tackle such challenges, the existing DNNs cannot explicitly capture inter-alternative correlations in the discrete choice context. To address the challenges, this study proposes a novel concept - alternative graph - to represent the relationships among travel mode alternatives. Using a nested alternative graph, this study further designs a nested-utility graph neural network (NestGNN) as a generalization of the classical NL model in the neural network family. Theoretically, NestGNNs generalize the classical NL models and existing DNNs in terms of model representation, while retaining the crucial two-layer substitution patterns of the NL models: proportional substitution within a nest but non-proportional substitution beyond a nest. Empirically, we find that the NestGNNs significantly outperform the benchmark models, particularly the corresponding NL models by 9.2\%. As shown by elasticity tables and substitution visualization, NestGNNs retain the two-layer substitution patterns as the NL model, and yet presents more flexibility in its model design space. Overall, our study demonstrates the power of NestGNN in prediction, interpretation, and its flexibility of generalizing the classical NL model for analyzing travel mode choice.
- Abstract（参考訳）: Nested Logit (NL) は、旅行モードの選択、自動車の所有、位置決定などの幅広いアプリケーションを含む、離散的な選択分析に一般的に使用されている。
しかし、古典的なNLモデルは、その限定された表現能力と手作りのユーティリティ仕様によって制限されている。
このような課題に対処するために、研究者はディープニューラルネットワーク(DNN)を導入したが、既存のDNNは、個々の選択コンテキストにおける代替的相関を明示的に捉えることはできない。
この課題に対処するために,旅行モードの代替手段間の関係を表現する新しい概念である代替グラフを提案する。
ネストグラフを用いて、ニューラルネットワークファミリーにおける古典的NLモデルの一般化として、ネスト効用グラフニューラルネットワーク(NestGNN)をさらに設計する。
理論的には、NestGNNはモデル表現の観点から古典的なNLモデルと既存のDNNを一般化し、NLモデルの重要な2層置換パターンを保持する。
実験的に、NestGNNはベンチマークモデル、特に対応するNLモデルを9.2\%で大幅に上回っている。
弾性テーブルや置換可視化で示されているように、NestGNNは2層置換パターンをNLモデルとして保持するが、モデル設計空間では柔軟性が向上する。
本研究は,NestGNNの予測,解釈,および旅行モード選択を解析するための古典的NLモデルを一般化する柔軟性を示す。
関連論文リスト
- Graph neural networks for residential location choice: connection to classical logit models [7.378576458810591]
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。
論文 参考訳（メタデータ） (2025-07-28T21:01:00Z) - Grothendieck Graph Neural Networks Framework: An Algebraic Platform for Crafting Topology-Aware GNNs [5.582101184758528]
本稿では,トポロジ的特徴を取り入れたメッセージパッシングにおけるグラフ構造について検討する。
我々はGrothendieck Graph Neural Networks (GGNN) フレームワークを設計し、グラフの多様なカバーを作成して精製するための代数的プラットフォームを提供する。
GGNNフレームワークをベースとして,カテゴリ理論からSieveの概念を活用する新しいGNNモデルであるSieve Neural Networks (SNN)を提案する。
論文 参考訳（メタデータ） (2024-12-12T00:25:48Z) - Discrete-Choice Model with Generalized Additive Utility Network [0.0]
線形ユーティリティ関数を持つマルチノードロジットモデル (MNL) は, 使いやすく, 解釈しやすいため, 実際に用いられている。
一般化加法モデルに基づくニューラルネットアーキテクチャを用いたユーティリティ関数を開発した。
我々のモデルは精度はASU-DNNに匹敵し,従来のモデルと比較して解釈性が向上した。
論文 参考訳（メタデータ） (2023-09-29T04:40:01Z) - Neural Additive Models for Location Scale and Shape: A Framework for
Interpretable Neural Regression Beyond the Mean [1.0923877073891446]
ディープニューラルネットワーク(DNN)は、様々なタスクで非常に効果的であることが証明されている。
この成功にもかかわらず、DNNの内部構造はしばしば透明ではない。
この解釈可能性の欠如は、本質的に解釈可能なニューラルネットワークの研究の増加につながった。
論文 参考訳（メタデータ） (2023-01-27T17:06:13Z) - Hybrid Graph Neural Networks for Few-Shot Learning [85.93495480949079]
グラフニューラルネットワーク(GNN)は、数発の学習問題に対処するために使用されている。
帰納的設定の下では、既存のGNNベースのメソッドは競争力が少ない。
本稿では2つのGNN(インスタンスGNNとプロトタイプGNN)からなる新しいハイブリッドGNNモデルを提案する。
論文 参考訳（メタデータ） (2021-12-13T10:20:15Z) - A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。
本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。
UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文 参考訳（メタデータ） (2020-10-05T04:57:18Z) - The Surprising Power of Graph Neural Networks with Random Node
Initialization [54.4101931234922]
グラフニューラルネットワーク(GNN)は、関係データ上での表現学習に有効なモデルである。
標準 GNN はその表現力に制限があり、Weisfeiler-Leman グラフ同型(英語版)の能力以外の区別はできない。
本研究では,ランダムノード(RNI)を用いたGNNの表現力の解析を行う。
我々はこれらのモデルが普遍的であることを証明し、GNNが高次特性の計算に頼らない最初の結果である。
論文 参考訳（メタデータ） (2020-10-02T19:53:05Z) - Interpreting Graph Neural Networks for NLP With Differentiable Edge
Masking [63.49779304362376]
グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。
本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。
モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
論文 参考訳（メタデータ） (2020-10-01T17:51:19Z) - 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) - Efficient Probabilistic Logic Reasoning with Graph Neural Networks [63.099999467118245]
マルコフ論理ネットワーク(MLN)は、多くの知識グラフ問題に対処するために用いられる。
MLNの推論は計算集約的であり、MLNの産業規模での応用は非常に困難である。
本稿では,表現力とモデルの単純さとのバランスのよいグラフニューラルネット(GNN)モデルであるExpressGNNを提案する。
論文 参考訳（メタデータ） (2020-01-29T23:34:36Z)
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。