論文の概要: DeepHalo: A Neural Choice Model with Controllable Context Effects

• arxiv url: http://arxiv.org/abs/2601.04616v1
• Date: Thu, 08 Jan 2026 05:46:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.056771
• Title: DeepHalo: A Neural Choice Model with Controllable Context Effects
• Title（参考訳）: DeepHalo: 制御可能なコンテキスト効果を備えたニューラルチョイスモデル
• Authors: Shuhan Zhang, Zhi Wang, Rui Gao, Shuang Li,
• Abstract要約: 我々は,文脈効果の原理的解釈を実現しつつ,特徴を組み込んだニューラルモデリングフレームワークであるDeepHaloを提案する。 本モデルでは, 相互作用効果の順序による体系的同定が可能であり, 特徴のない設定に特化する場合に, 文脈依存選択関数の普遍的近似として機能する。
• 参考スコア（独自算出の注目度）: 15.050892474162984
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling human decision-making is central to applications such as recommendation, preference learning, and human-AI alignment. While many classic models assume context-independent choice behavior, a large body of behavioral research shows that preferences are often influenced by the composition of the choice set itself -- a phenomenon known as the context effect or Halo effect. These effects can manifest as pairwise (first-order) or even higher-order interactions among the available alternatives. Recent models that attempt to capture such effects either focus on the featureless setting or, in the feature-based setting, rely on restrictive interaction structures or entangle interactions across all orders, which limits interpretability. In this work, we propose DeepHalo, a neural modeling framework that incorporates features while enabling explicit control over interaction order and principled interpretation of context effects. Our model enables systematic identification of interaction effects by order and serves as a universal approximator of context-dependent choice functions when specialized to a featureless setting. Experiments on synthetic and real-world datasets demonstrate strong predictive performance while providing greater transparency into the drivers of choice.
• Abstract（参考訳）: 人間の意思決定のモデリングは、推奨、選好学習、人間-AIアライメントといった応用の中心である。 多くの古典的モデルは文脈に依存しない選択の振る舞いを仮定するが、行動研究の大きな団体は、選択セット自体の組成(文脈効果またはハロ効果として知られる現象)に影響されることがしばしばあることを示している。 これらの効果は、ペアワイズ(一階)や、利用可能な代替品間の高階の相互作用として表すことができる。 このような効果を捉えようとする最近のモデルは、機能のない設定にフォーカスするか、機能ベースの設定では、全ての順序にわたって制限的な相互作用構造や絡み合う相互作用に依存し、解釈可能性を制限する。 本研究では,相互作用順序の明示的な制御と文脈効果の原理的解釈を実現しつつ,特徴を組み込んだニューラルモデリングフレームワークであるDeepHaloを提案する。 本モデルでは, 相互作用効果の順序による体系的同定が可能であり, 特徴のない設定に特化する場合に, 文脈依存選択関数の普遍的近似器として機能する。 合成および実世界のデータセットの実験は、選択したドライバに透明性を提供しながら、強い予測性能を示す。

関連論文リスト

• VFXMaster: Unlocking Dynamic Visual Effect Generation via In-Context Learning [67.44716618860544]
  我々は、VFXビデオ生成のための最初の統合参照ベースのフレームワークであるVFXMasterを紹介する。 インコンテキスト学習タスクとしてエフェクト生成をリキャストし、参照ビデオからターゲットコンテンツへの多様なダイナミックエフェクトを再現する。 さらに,単一ユーザが提供するビデオから,強靭な見えざる効果に対する一般化能力を急速に向上させる,効率的なワンショット効果適応機構を提案する。
  論文  参考訳（メタデータ） (2025-10-29T17:59:53Z)
• Sparse Deep Additive Model with Interactions: Enhancing Interpretability and Predictability [16.072769293135305]
  Sparse Deep Model with Interactions (SDAMI) は、疎性駆動型特徴選択と、柔軟な関数近似のためのDeepworksを組み合わせたフレームワークである。 SDAMIの中心はエフェクト・フットプリント(英語版)の概念であり、これは高次相互作用が主効果に極端に近づくことを前提としている。 選択された各主効果に対して、SDAMIは専用のサブネットワークを構築し、解釈可能性を維持しながら非線形関数近似を可能にする。
  論文  参考訳（メタデータ） (2025-09-27T02:44:57Z)
• Functional effects models: Accounting for preference heterogeneity in panel data with machine learning [0.0]
  本稿では、機械学習(ML)手法を用いて、社会デコグラフィ特性から個人固有の選好パラメータを学習する機能効果モデルに関する一般的な仕様を提案する。 従来の固定効果モデルとランダム/混合効果モデルに比較して,関数効果モデルの3つの具体的な利点を同定する。
  論文  参考訳（メタデータ） (2025-09-22T17:22:18Z)
• Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems [59.117526206317116]
  Cellはさまざまなタスクやデータに対して,さまざまなモデルに適応的に進化可能であることを示す。 4つの実世界のデータセットの実験では、細胞は最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-05-29T02:35:23Z)
• AlignDiff: Aligning Diverse Human Preferences via Behavior-Customisable Diffusion Model [69.12623428463573]
  AlignDiffは、人間の好みを定量化し、抽象性をカバーし、拡散計画をガイドする新しいフレームワークである。 ユーザがカスタマイズした動作と正確に一致し、効率的に切り替えることができます。 選好マッチング,スイッチング,カバーにおいて,他のベースラインに比べて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-10-03T13:53:08Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• Information Interaction Profile of Choice Adoption [2.9972063833424216]
  相互作用するエンティティを分離する時間的距離に応じて、エンティティの相互作用ネットワークとその進化を推定する効率的な方法を紹介します。 相互作用プロファイルは、相互作用プロセスのメカニズムを特徴付けることができます。 ユーザに対する露出の組み合わせの効果は、各露出の独立した効果の総和以上のものであることを示す。
  論文  参考訳（メタデータ） (2021-04-28T10:42:25Z)
• Learning Interpretable Feature Context Effects in Discrete Choice [40.91593765662774]
  本研究では、観測された選択データから、コンテキスト効果の幅広いクラスを自動的に発見する手法を提案する。 我々のモデルは既存のモデルよりも訓練が容易で柔軟であり、直感的で解釈可能で統計的にテスト可能なコンテキスト効果をもたらす。 我々は、広く使われている選択データセットにおける新しい文脈効果を特定し、ソーシャルネットワークの成長における選択セットの文脈効果を初めて分析する。
  論文  参考訳（メタデータ） (2020-09-07T20:59:24Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)
• GAMI-Net: An Explainable Neural Network based on Generalized Additive Models with Structured Interactions [5.8010446129208155]
  構造的相互作用を持つ一般化付加モデル(GAMI-Net)に基づく説明可能なニューラルネットワークを提案し,予測精度とモデル解釈可能性とのバランスを良好に追求する。 GAMI-Net(英語版)は、複数の添加物を持つ非絡み合ったフィードフォワードネットワークである。 合成関数と実世界のデータセットの双方に関する数値実験により,提案モデルが優れた解釈性を有することが示された。
  論文  参考訳（メタデータ） (2020-03-16T11:51:38Z)

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。