論文の概要: Boundedly Rational Meta-Learning in Sequential Consumer Choice

• arxiv url: http://arxiv.org/abs/2605.16532v1
• Date: Fri, 15 May 2026 18:29:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.613781
• Title: Boundedly Rational Meta-Learning in Sequential Consumer Choice
• Title（参考訳）: 消費者選択における合理的メタラーニング
• Authors: Mehrzad Khosravi, Max Kleiman-Weiner, Hema Yoganarasimhan,
• Abstract要約: テキスト間の知識伝達(メタラーニング)を逐次的に検討する。 消費者はブランドレベルの規則性をコンテキスト間で伝達するが、それ以前の不確実性の粗い表現を通じて伝達する。 消費者学習のモデルが、近似したコンテキスト間転送を可能にすることを示唆している。
• 参考スコア（独自算出の注目度）: 3.9171902789326114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many consumer decisions are repeated choices under uncertainty. Standard models capture these decisions using Bayesian learning and dynamic programming: consumers update beliefs from feedback and use those beliefs to guide future choices. In many markets, however, learning does not restart when consumers enter a new context: prior experience with a brand, product, or provider can shape beliefs in later, related decisions. We study this cross-context knowledge transfer, or meta-learning, in sequential choice. We design a hierarchical laboratory task in which participants repeatedly choose among airlines across routes and observe noisy binary outcomes. Reduced-form evidence shows that participants improve not only within routes, but also across routes: they choose better airlines earlier in later routes and reduce pseudo-regret. To identify the mechanism behind this transfer, we compare human choices to a no-transfer benchmark and a fully integrated Bayesian meta-learning benchmark. In particular, we introduce a class of boundedly rational meta dynamic programming policies, BRMDP(D), that approximate full integration using a limited number of hyper-posterior draws, denoted by D. Trial-by-trial likelihood comparisons show that low-D boundedly rational meta-learning, especially BRMDP(1), fits participant behavior better than both no transfer and fully integrated Bayesian transfer. Consumers, therefore, transfer brand-level regularities across contexts, but through coarse representations of prior uncertainty. The findings imply that models of consumer learning should allow for approximate cross-context transfer, and that managerial counterfactuals based on either no-transfer or fully integrated learning can be misleading.
• Abstract（参考訳）: 多くの消費者の判断は不確実性の下で繰り返し選択される。 標準モデルはベイズ学習と動的プログラミングを使ってこれらの決定を捉える:消費者はフィードバックから信条を更新し、それらの信条を使って将来の選択を導く。 しかし、多くの市場では、消費者が新しいコンテキストに入ると学習は再開しない。 このクロスコンテキストな知識伝達(メタラーニング)を逐次的に検討する。 我々は,経路を横断する航空会社の中から参加者が繰り返し選択する階層的な実験室タスクを設計し,ノイズの多いバイナリーの結果を観察する。 削減された形態の証拠は、参加者がルート内だけでなく、ルートを横断して改善していることを示している。 この転送の背後にあるメカニズムを特定するために、人間の選択をno-transferベンチマークと完全に統合されたBayesのメタラーニングベンチマークと比較する。 特に,有理なメタ動的プログラミングポリシーのクラスであるBRMDP(D)を導入し,限られた数のハイパーポインタードローを用いた完全積分をDで表した。 したがって、消費者はブランドレベルの規則性をコンテキスト間で伝達するが、それ以前の不確実性の粗い表現を通して表現する。 この結果から, 消費者学習のモデルでは, 相互コンテキストの伝達を近似的に行うべきであり, ノントランスファーや完全統合学習に基づく管理的カウンターファクトは誤解を招く可能性があることが示唆された。

関連論文リスト

• CiPO: Counterfactual Unlearning for Large Reasoning Models through Iterative Preference Optimization [54.774620283208776]
  大きな推論モデル(LRM)は、複雑な問題に対処するための長いチェーン・オブ・シント(CoT)推論を強調する。 既存の方法は、CoTトレースから望ましくない知識を完全に排除するか、推論プロセスへの干渉によって推論性能を低下させるかのいずれかである。 LRMにおけるCoT推論の目的的介入として、非学習を再定義する新しいフレームワークである反復的選好最適化(CiPO)を通じて、対実的アンラーニングを導入する。
  論文  参考訳（メタデータ） (2026-04-17T08:56:36Z)
• Learn to Rank: Visual Attribution by Learning Importance Ranking [58.69028273772474]
  コンピュータビジョンモデルのための視覚属性マップを生成する新しい手法を提案する。 提案手法は, 任意の数段階の勾配補正を施した1つの前方通過において, 密度の高い画素レベルの属性を生成する。 我々の実験は、一貫した定量的改善と、よりシャープで境界に沿った説明を示す。
  論文  参考訳（メタデータ） (2026-04-07T12:53:22Z)
• Search-Based Credit Assignment for Offline Preference-Based Reinforcement Learning [83.64755389431971]
  本稿では,2つのフィードバックソースを統一する検索ベースPreference Weightingスキームを提案する。 選好ラベル付き軌道における各遷移について、SPWは専門家のデモンストレーションから最もよく似た状態-作用対を探索する。 これらの重みは標準の嗜好学習をガイドするために使われ、より正確なクレジット割り当てを可能にします。
  論文  参考訳（メタデータ） (2025-08-21T07:41:45Z)
• Pref-GUIDE: Continual Policy Learning from Real-Time Human Feedback via Preference-Based Learning [3.513501558121131]
  リアルタイムスカラーフィードバックを優先データに変換するフレームワークであるPref-GUIDEを提案する。 Pref-GUIDE 個人は、短いウィンドウ内でのエージェントの挙動を比較することで時間的不整合を緩和する。 Pref-GUIDE Votingは、ユーザの集団間で報酬モデルを集約し、コンセンサス優先を形成することにより、ロバスト性を高める。
  論文  参考訳（メタデータ） (2025-08-10T00:18:44Z)
• AI-Driven Day-to-Day Route Choice [15.934133434324755]
  LLMTravelerは過去の経験から学び、検索したデータと性格特性のバランスをとることで意思決定を行うエージェントである。 本稿では,LLMTravelerが日常の混雑ゲーム2段階を通じて人間的な意思決定を再現する能力について,体系的に評価する。 この能力は、旅行者の新しいポリシーに対する反応やネットワークの変更をシミュレートするなど、交通政策立案に有用な洞察を提供する。
  論文  参考訳（メタデータ） (2024-12-04T14:13:38Z)
• Diversified Batch Selection for Training Acceleration [68.67164304377732]
  オンラインバッチ選択として知られる一般的な研究ラインでは、トレーニングプロセス中の情報サブセットの選択について検討している。 バニラ参照モデルフリーメソッドは、独立してデータをサンプリング的にスコア付けし、選択する。 DivBS(Diversified Batch Selection)を提案する。
  論文  参考訳（メタデータ） (2024-06-07T12:12:20Z)
• TransRec: Learning Transferable Recommendation from Mixture-of-Modality Feedback [19.78472406958724]
  本稿では,一般的なIDベースのレコメンデータシステム(RS)フレームワークを改良したTransRecを提案する。 TransRecは、エンドツーエンドのトレーニング方法で、MoMアイテムの生の特徴から直接学習する。 この結果から,MoMフィードバックからニューラルレコメンデーションモデルを学ぶことは,ユニバーサルRSを実現する上で有望な方法であることが示唆された。
  論文  参考訳（メタデータ） (2022-06-13T14:23:34Z)
• Towards Accurate Knowledge Transfer via Target-awareness Representation Disentanglement [56.40587594647692]
  本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。 TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。 各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
  論文  参考訳（メタデータ） (2020-10-16T17:45:08Z)

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。