論文の概要: Estimation, Prediction, and Assortment Optimization for Markov Chain Choice Models with Panel Data

• arxiv url: http://arxiv.org/abs/2607.09817v1
• Date: Fri, 10 Jul 2026 06:46:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.206032
• Title: Estimation, Prediction, and Assortment Optimization for Markov Chain Choice Models with Panel Data
• Title（参考訳）: パネルデータを用いたマルコフ連鎖選択モデルの推定・予測・配置最適化
• Abstract要約: パネルデータを用いた連鎖選択モデル(MC)のフレームワークを提案する。 当社のフレームワークは、同一顧客に対するトランザクション間の依存関係を考慮に入れています。 本稿では,条件付き選択予測とアソート最適化問題について述べる。
• 参考スコア（独自算出の注目度）: 0.3823356975862005
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a framework for the Markov chain (MC) choice model with panel data, including parameter estimation, personalized choice prediction, and personalized assortment optimization. In contrast to the traditional setting, which assumes that each transaction is independently drawn from a random utility model, our framework accounts for dependencies among transactions for the same customer in historical data, captured by partial-ordering preference information. To the best of our knowledge, our framework initiates the study of choice modeling with panel data under MC. As our primary result, we propose novel expectation-maximization (EM) algorithms for MC parameter estimation by incorporating partial-ordering-based customer preference information. On synthetic datasets and the sushi dataset, our EM algorithms outperform the traditional EM algorithm of Simsek and Topaloglu (Operations Research, 66, 2018) and multinomial-logit-based partial-order benchmarks adapted from Jagabathula and Vulcano (Management Science, 64, 2018). As our secondary contribution, we present hardness and computational results for conditional choice prediction and assortment optimization problems. These results complement our estimation framework and clarify the computational landscape of conditional choice and assortment optimization, which may be of independent interest.
• Abstract（参考訳）: 本稿では、パラメータ推定、パーソナライズされた選択予測、パーソナライズされた選択肢最適化を含むパネルデータを用いたマルコフ連鎖選択モデルのためのフレームワークを提案する。 各トランザクションがランダムなユーティリティモデルから独立して引き出されると仮定する従来の設定とは対照的に、当社のフレームワークは、履歴データにおいて同一顧客に対するトランザクション間の依存関係を部分的に順序付けされた嗜好情報によってキャプチャする。 我々の知る限り、我々のフレームワークはMC下でのパネルデータによる選択モデリングの研究を開始する。 本研究の第一結果として,部分順序付けに基づく顧客嗜好情報を組み込んだMCパラメータ推定のための新しい予測最大化(EM)アルゴリズムを提案する。 合成データセットと寿司データセットでは,我々のEMアルゴリズムは,Jagabathula と Vulcano (Management Science, 64, 2018) に適応した Simsek と Topaloglu (Operations Research, 66, 2018) の従来のEMアルゴリズムよりも優れている。 コントリビューションとして、条件選択予測とアソート最適化問題に対する硬さと計算結果を示す。 これらの結果は、我々の推定枠組みを補完し、条件選択の計算環境と、独立した関心を持つかもしれないアソシエーション最適化を明らかにする。

関連論文リスト

• Preference Data Selection for Mitigating the Alignment Tax in Large Language Models [52.18310687523229]
  BALIGNは、アライメント効率を最適化しながら破滅的な忘れを緩和するバランスのとれたデータ選択戦略である。 3つの重要なデータ中心の機能を統一された複合リスクスコアに集約することにより、BALIGNは、ハイリスクな選好サンプルを体系的にフィルタリングする。 標準的な人間の嗜好データセットの実験では、BALIGNはアライメントゲインを損なうことなく基礎的能力を強く保持している。
  論文  参考訳（メタデータ） (2026-08-25T07:58:42Z)
• Tabular Foundation Models for Discrete Choice Estimation [8.167439804974467]
  Tabular foundation model (TFMs) は、タスク固有の推定をすることなく、コンテキスト内学習を通じて構造化データの予測を生成する。 マーケティング・オペレーションにおける中心的需要推定フレームワークである, 個別選択に対して, TFMを効果的に適用できるかどうかを問う。 行ベースの学習フレームワークにおいて,選択集合依存と個々の不均一性の両方を符号化する再構成を提案する。
  論文  参考訳（メタデータ） (2026-07-14T22:34:00Z)
• Selective Ensemble Based on Preference-Directed Multi-Objective Bandits [90.75513823660775]
  我々は、部分的に指定された線形選好の下で逐次決定問題を定式化する。 次に、嗜好指向の高信頼度境界(PrefUCB)アルゴリズムを提案する。 大規模な事前学習型モデル選択アンサンブルタスクと,機関委任下でのオンラインアセットアロケーションの実験により,本手法が検証された。
  論文  参考訳（メタデータ） (2026-06-20T07:52:46Z)
• Greedy Information Projection for LLM Data Selection [6.670884998638381]
  textscGIPは、サンプルのサブセットとタスク固有のクエリ信号の間の相互情報の最大化として選択をキャストする。 textscGIPは、少数の例を使用しながら、フルデータの微調整にマッチする小さなサブセットを選択する。
  論文  参考訳（メタデータ） (2026-03-14T06:42:20Z)
• Robust Assortment Optimization from Observational Data [32.720761309403436]
  本稿では,顧客選択行動の分散的変化を考慮に入れた,データ駆動型アソシエーション最適化のためのフレームワークを提案する。 当社のアプローチは、データを生成し、最悪の予測収益を最大化しようとする名目選択モデルから、潜在的な選好シフトをモデル化する。
  論文  参考訳（メタデータ） (2026-02-11T09:57:16Z)
• Anyprefer: An Agentic Framework for Preference Data Synthesis [62.3856754548222]
  ターゲットモデルを調整するための高品質な嗜好データを合成するフレームワークであるAnypreferを提案する。 審査員モデルの応答を正確に評価するために、外部ツールが導入される。 合成されたデータは、58Kの高品質な選好ペアからなる新しい選好データセットであるAnyprefer-V1にコンパイルされる。
  論文  参考訳（メタデータ） (2025-04-27T15:21:59Z)
• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
  予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。 我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。 本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• An Empirical Analysis of Fairness Notions under Differential Privacy [3.3748750222488657]
  DP-SGDに適したモデルアーキテクチャを選択すると、統計的公正基準の異なるクラスに属する異なる公正概念がどう影響するかを示す。 これらの発見は、偏りのあるデータセットに基づいてトレーニングされたディープラーニングモデルにおいて、差分プライバシーが必ずしも不公平を悪化させるという理解に挑戦する。
  論文  参考訳（メタデータ） (2023-02-06T16:29:50Z)

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。