論文の概要: Tabular Foundation Models for Discrete Choice Estimation

• arxiv url: http://arxiv.org/abs/2607.13314v2
• Date: Mon, 20 Jul 2026 04:24:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 14:24:57.460368
• Title: Tabular Foundation Models for Discrete Choice Estimation
• Title（参考訳）: 離散的選択推定のためのタブラリ基礎モデル
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.167439804974467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tabular foundation models (TFMs) generate predictions on structured data via in-context learning, without task-specific estimation. We ask whether TFMs can be effectively applied to discrete choice, a central demand estimation framework in marketing and operations, and find that directly applying TFMs yields limited performance. The gap is structural: TFMs assume row-independent observations, whereas discrete choice is inherently set-valued and subject to persistent consumer preference heterogeneity. We propose a reformulation that encodes both choice-set dependence and individual heterogeneity within a row-based learning framework. Evaluated on a yogurt scanner panel, individual-level heterogeneity encoding is the dominant driver of predictive accuracy. The best reformulation outperforms hierarchical Bayesian estimation on both holdout log-likelihood and hit rate, running 16 times faster, a practical advantage for large-scale demand estimation. The advantage is largest in the medium-data regime (10--40 purchase occasions per consumer), where parametric Bayesian shrinkage most distorts estimates for atypical consumers. Fine-tuning on population choice data provides additional gains for consumers with shallow purchase histories, where in-context learning has limited individual-specific signal to condition on. These results establish a principled approach for applying foundation models to consumer choice problems more broadly.
• Abstract（参考訳）: Tabular foundation model (TFMs) は、タスク固有の推定なしに、コンテキスト内学習を通じて構造化されたデータの予測を生成する。 我々は、TFMを個別選択に効果的に適用できるかどうかを問う。マーケティングと運用における中央需要推定フレームワークであり、直接TFMを適用すると、性能が制限される。 TFMは行に依存しない観察を仮定するが、離散的な選択は本質的に設定値であり、永続的な消費者の嗜好の不均一性である。 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。 ヨーグルトスキャナーパネルで評価すると、個人レベルの不均一な符号化が予測精度の主要な要因である。 最良の改革は、ログライクなホールドアウトとヒットレートの両方で階層的ベイズ推定を上回り、16倍高速で実行し、大規模な需要推定の実用的な優位性である。 この利点は、中規模データ(消費者1人当たり10-40件の購入機会)で最大であり、パラメトリックベイズが非定型消費者のほとんどの歪みを見積もっている。 人口選択データの微調整により、浅い購入履歴を持つ消費者にさらなる利益がもたらされる。 これらの結果は、消費者選択問題に基礎モデルを適用するための原則的なアプローチを確立している。

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)
• 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)
• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Choose Wisely and Privately: Proactive Client Selection for Fair and Efficient Federated Learning [0.9099663022952496]
  Federated Learningは、データ転送なしで分散化されたデータソース間で協調的なモデルトレーニングを可能にする。 平均FLは、収束速度と最終モデルの精度に悪影響を及ぼす非IIDデータの存在によって制限される。 本稿では,学習開始前の有効性と公正性の要求に一致したクライアントの最適なフェデレーションを見つけることを目的とした,積極的なクライアント選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-20T10:00:33Z)
• Response Time Enhances Alignment with Heterogeneous Preferences [49.69696266152175]
  簡易な二次信号で選好データセットを増大させることで、住民の平均選好の識別性を回復できることを示す。 私たちの結果は、将来的なデータ収集パイプラインに約束と新たな機会をもたらします。
  論文  参考訳（メタデータ） (2026-05-07T22:05:23Z)
• Evidence-based Distributional Alignment for Large Language Models [58.65469623911573]
  LLM分布推定の忠実度とロバスト性を改善する証拠に基づくアライメント手法であるEvi-DAを提案する。 対象国が与えられた場合、Evi-DAは関連するWorld Values Survey項目とその回答分布を検索し、オプション毎に粗いヴェルツェル値シグネチャを予測し、国条件の回答分布を構造化形式で推測する。
  論文  参考訳（メタデータ） (2026-03-03T03:34:06Z)
• 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)
• Intuitionistic Fuzzy Sets for Large Language Model Data Annotation: A Novel Approach to Side-by-Side Preference Labeling [0.0]
  本稿では,多言語モデル(LLM)における人間の嗜好をモデル化・集約するための直観的ファジィ集合(IFS)に基づく新しい枠組みを提案する。 我々のアプローチは、選好の度合いだけでなく、メンバーシップ、非メンバーシップ、およびヒューイテーションの度合いを通じて、人間の判断に固有の不確実性や偏見も捉えている。 複数のデータセットに対する実験的検証は、我々のIFSベースのアプローチがアノテーションの一貫性を大幅に改善し、アノテータの疲労を低減し、高品質な嗜好データを生成することを示した。
  論文  参考訳（メタデータ） (2025-05-30T04:20:00Z)
• 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)
• 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)
• On the estimation of discrete choice models to capture irrational customer behaviors [4.683806391173103]
  我々は、部分的にランク付けされた好みを使って、トランザクションデータから合理的で不合理な顧客タイプを効率的にモデル化する方法を示す。 提案手法の予測精度を評価する実験を幅広く行った。
  論文  参考訳（メタデータ） (2021-09-08T19:19:51Z)

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。