論文の概要: Auditing and Fixing Economic Validity in Tabular Foundation Models for Discrete Choice
- arxiv url: http://arxiv.org/abs/2605.26559v1
- Date: Tue, 26 May 2026 05:13:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:41.679245
- Title: Auditing and Fixing Economic Validity in Tabular Foundation Models for Discrete Choice
- Title（参考訳）: 離散的選択のためのタブラル基礎モデルにおける経済妥当性の監査と修正
- Authors: Yingshuo Wang, Xian Sun, Yanhang Li, Zhichao Fan, Zexin Zhuang,
- Abstract要約: タブラル基礎モデルは選択予測タスクにおいて高い精度を達成する。
しかし、彼らの予測は、それらのタスクが必要とする経済論理に反することが多い。
実用最大化フレームワークに基礎モデル予測を組み込む2段階のアダプタを提案する。
- 参考スコア（独自算出の注目度）: 12.709654635425442
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tabular foundation models achieve strong accuracy on choice prediction tasks, but their predictions often violate the economic logic those tasks require: raising a price sometimes increases predicted demand, and implied willingness-to-pay estimates are frequently negative or implausible. We propose a two-stage adapter that embeds foundation model predictions within a utility-maximization framework. In the first stage, we estimate a standard choice model whose parameters are constrained to obey economic theory. In the second stage, we freeze those parameters and train a correction term that incorporates the foundation model's predictions as additional information. The result is a model that inherits the foundation model's accuracy gains while guaranteeing monotonic price-demand relationships under policy perturbation and producing analytically computable trade-off measures. On two transportation datasets, the adapter recovers up to 13 percentage points of accuracy over a standard logit model while maintaining perfect economic consistency, something neither the raw foundation models nor conventional distillation achieve.
- Abstract（参考訳）: タブラル基礎モデルは選択予測タスクにおいて高い精度を達成するが、それらの予測は、しばしばそれらのタスクに必要な経済論理に反する。
実用最大化フレームワークに基礎モデル予測を組み込む2段階のアダプタを提案する。
第一段階では、パラメータが経済理論に従うよう制約された標準選択モデルを推定する。
第2段階では,これらのパラメータを凍結し,基礎モデルの予測を付加情報として組み込んだ補正項を訓練する。
その結果、政策摂動下での単調な価格-需要関係を保証し、分析計算可能なトレードオフ手段を生産しながら、基礎モデルの精度向上を継承するモデルが得られた。
2つの輸送データセット上では、標準ロジットモデルに対して最大13パーセントの精度を回復し、完全な経済的な一貫性を維持しながら、原基礎モデルも従来の蒸留も達成していない。
関連論文リスト
- $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。
本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。
V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2026-03-11T14:57:41Z) - Forecasting the U.S. Treasury Yield Curve: A Distributionally Robust Machine Learning Approach [0.12891210250935145]
配当の不確実性下における米国債利回り曲線の予測について検討する。
予測者は、平均予測誤差を最小化する代わりに、最悪のケース予測損失を最小限に抑える決定ルールを選択する。
本研究では,因子モデルと高次元非パラメトリック機械学習モデルを統合する分散ロバストなアンサンブル予測フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-08T05:26:43Z) - Node-Level Financial Optimization in Demand Forecasting Through Dynamic Cost Asymmetry and Feedback Mechanism [31.970157864180706]
本研究は,ノード固有のコスト関数非対称性に基づいて予測を調整する手法を導入する。
提案モデルでは,予測誤差確率分布にコスト非対称性を動的に組み込んで,最小コストのシナリオを優先して貯蓄を生成する。
実証的な結果は、このモデルが年間510万ドルの貯蓄を達成する能力を示している。
論文 参考訳（メタデータ） (2025-12-16T19:23:02Z) - PREIG: Physics-informed and Reinforcement-driven Interpretable GRU for Commodity Demand Forecasting [27.542312745632458]
PreIGは、商品需要予測に適した新しいディープラーニングフレームワークである。
このモデルは、Gated Recurrent Unit(GRU)アーキテクチャを物理インフォームドニューラルネットワーク(PINN)の原則と一意に統合する。
論文 参考訳（メタデータ） (2025-07-29T11:38:07Z) - Uncertainty-Guided Enhancement on Driving Perception System via Foundation Models [37.35848849961951]
本研究では、基礎モデルを利用して既存の駆動知覚モデルから予測を洗練させる手法を開発した。
本手法では,予測精度が10～15%向上し,基礎モデルのクエリ数を50%削減する。
論文 参考訳（メタデータ） (2024-10-02T00:46:19Z) - Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳（メタデータ） (2024-05-29T01:32:17Z) - Predictive Churn with the Set of Good Models [61.00058053669447]
本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。
予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。
2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
論文 参考訳（メタデータ） (2024-02-12T16:15:25Z) - Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation
of Prediction Rationale [53.152460508207184]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。
本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。
最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
論文 参考訳（メタデータ） (2024-02-02T05:53:22Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳（メタデータ） (2020-10-27T17:54:12Z) - Stochastic Optimization for Performative Prediction [31.876692592395777]
モデルパラメータを単に更新することと、新しいモデルをデプロイすることの違いについて検討する。
各更新後にモデルを厳格にデプロイし、再デプロイする前に数回の更新を行うための収束率を証明する。
彼らは、パフォーマンス効果の強さによって、どちらのアプローチも他方よりも優れる体制が存在することを説明している。
論文 参考訳（メタデータ） (2020-06-12T00:31:16Z)
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。