論文の概要: DeepLogit: A sequentially constrained explainable deep learning modeling approach for transport policy analysis

• arxiv url: http://arxiv.org/abs/2509.13633v1
• Date: Wed, 17 Sep 2025 02:08:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.691952
• Title: DeepLogit: A sequentially constrained explainable deep learning modeling approach for transport policy analysis
• Title（参考訳）: DeepLogit: 輸送政策分析のための逐次制約付き説明可能なディープラーニングモデリングアプローチ
• Authors: Jeremy Oon, Rakhi Manohar Mepparambath, Ling Feng,
• Abstract要約: 本稿では,輸送政策分析のためのディープラーニングモデルを推定するための,新しい制約付きアプローチに従う一連のDeepLogitモデルを開発する。 提案手法は,選択したパラメータの解釈可能性を維持することができるが,モデル精度は大幅に向上する。 本研究は、理論に基づく離散選択モデル(DCM)とデータ駆動型AIモデルは、解釈可能性と予測力において互いの強みを活用できる統一的アプローチの可能性を示す。
• 参考スコア（独自算出の注目度）: 4.329480062290076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the significant progress of deep learning models in multitude of applications, their adaption in planning and policy related areas remains challenging due to the black-box nature of these models. In this work, we develop a set of DeepLogit models that follow a novel sequentially constrained approach in estimating deep learning models for transport policy analysis. In the first step of the proposed approach, we estimate a convolutional neural network (CNN) model with only linear terms, which is equivalent of a linear-in-parameter multinomial logit model. We then estimate other deep learning models by constraining the parameters that need interpretability at the values obtained in the linear-in-parameter CNN model and including higher order terms or by introducing advanced deep learning architectures like Transformers. Our approach can retain the interpretability of the selected parameters, yet provides significantly improved model accuracy than the discrete choice model. We demonstrate our approach on a transit route choice example using real-world transit smart card data from Singapore. This study shows the potential for a unifying approach, where theory-based discrete choice model (DCM) and data-driven AI models can leverage each other's strengths in interpretability and predictive power. With the availability of larger datasets and more complex constructions, such approach can lead to more accurate models using discrete choice models while maintaining its applicability in planning and policy-related areas. Our code is available on https://github.com/jeremyoon/route-choice/ .
• Abstract（参考訳）: 様々なアプリケーションにおけるディープラーニングモデルの著しい進歩にもかかわらず、計画や政策関連分野への適応は、これらのモデルのブラックボックスの性質のため、依然として困難である。 本研究では,輸送政策分析のための深層学習モデルを推定するための,新しい制約付きアプローチに従う一連のDeepLogitモデルを開発する。 提案手法の第一段階として,線形項のみを持つ畳み込みニューラルネットワーク(CNN)モデルを推定する。 次に、線形パラメータCNNモデルで得られた値に解釈可能性を必要とするパラメータを制約し、高次項を含む、あるいはトランスフォーマーのような高度なディープラーニングアーキテクチャを導入することにより、他のディープラーニングモデルを推定する。 提案手法は,選択したパラメータの解釈可能性を維持することができるが,離散選択モデルよりもモデル精度が大幅に向上する。 シンガポールの現実のトランジット・スマートカードデータを用いた交通経路選択事例について実演する。 本研究は、理論に基づく離散選択モデル(DCM)とデータ駆動型AIモデルは、解釈可能性と予測力において互いの強みを活用できる統一的アプローチの可能性を示す。 より大きなデータセットが利用可能になり、より複雑な構成が可能になったことにより、このようなアプローチは、計画やポリシー関連の領域で適用性を維持しながら、個々の選択モデルを使用したより正確なモデルを生み出すことができる。 私たちのコードはhttps://github.com/jeremyoon/route-choice/で利用可能です。

関連論文リスト

• Learning from Reward-Free Offline Data: A Case for Planning with Latent Dynamics Models [61.145371212636505]
  強化学習(Reinforcement Learning, RL)は、試行錯誤と最適制御を通じてポリシーを学習し、学習または既知の力学モデルを用いてアクションを計画する。 異なる品質のデータセットを用いて、異なるRLおよび制御に基づく手法の性能を系統的に解析する。 モデルベースプランニングは,新しい環境レイアウト,トラジェクトリー縫合,データ効率などへの一般化に優れる。
  論文  参考訳（メタデータ） (2025-02-20T18:39:41Z)
• Towards Learning Stochastic Population Models by Gradient Descent [0.0]
  パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。 モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
  論文  参考訳（メタデータ） (2024-04-10T14:38:58Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Deep Inverse Reinforcement Learning for Route Choice Modeling [0.6853165736531939]
  経路選択モデリングは交通計画と需要予測の基本的な課題である。 本研究では,リンクベース経路選択モデルのための一般的な逆強化学習(IRL)フレームワークを提案する。 中国上海のタクシーGPSデータに基づく実験結果から,提案モデルの性能改善を検証した。
  論文  参考訳（メタデータ） (2022-06-18T06:33:06Z)
• Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
  カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。 本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T12:52:49Z)
• 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)
• Model-Augmented Actor-Critic: Backpropagating through Paths [81.86992776864729]
  現在のモデルに基づく強化学習アプローチでは、単に学習されたブラックボックスシミュレータとしてモデルを使用する。 その微分可能性を利用してモデルをより効果的に活用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-16T19:18:10Z)
• Causality-aware counterfactual confounding adjustment for feature representations learned by deep models [14.554818659491644]
  因果モデリングは機械学習(ML)における多くの課題に対する潜在的な解決策として認識されている。 深層ニューラルネットワーク(DNN)モデルによって学習された特徴表現を分解するために、最近提案された対実的アプローチが依然として使われている方法について説明する。
  論文  参考訳（メタデータ） (2020-04-20T17:37:36Z)

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。