論文の概要: An analysis of machine learning approaches for enhancing decision-making in complex discrete choice tasks

• arxiv url: http://arxiv.org/abs/2607.28854v1
• Date: Thu, 30 Jul 2026 21:38:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.490638
• Title: An analysis of machine learning approaches for enhancing decision-making in complex discrete choice tasks
• Title（参考訳）: 複雑な個別選択課題における意思決定強化のための機械学習手法の解析
• Authors: Sheng Lun Christine Cao, Destenie Nock, Alex Davis,
• Abstract要約: 本研究では,5つの選択ルールを学習し,予測する能力に関して,機械学習モデル4つを評価する。 半パラメトリックモデルと非パラメトリックモデルは、一般にすべての選択規則と実験的文脈でパラメトリックモデルより優れている。 実エネルギー政策選好データを用いたケーススタディも行われ、TNNは13.351のBICで最善を尽くした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discrete choice modeling is a common tool used for preference elicitation during policy-making, but this is typically done through parametric models. Machine learning can push the boundaries of discrete choice modeling for policy-based preference elicitation by adopting a data-driven approach or learning individual preferences. However, there is limited knowledge of how well machine learning methods can estimate individual discrete choice rules under individual heterogeneity, especially in the context of challenges often experienced during preference elicitation. This study evaluates four machine learning models (multinomial logistic regression, generalized additive model, twinned neural network, and Gaussian process) with respect to their capacity to learn and predict five choice rules that are important in the behavioral and social sciences (linear strong utility, monotonic strong utility, ideal point, lexicographic semiorder, and multiattribute linear ballistic accumulator). Monte Carlo experiments were performed to assess model performance when increasing a) the number of attributes in the choice alternatives, b) the number of training choice sets, and c) the choice rule's determinism. The simulation results demonstrated that semi-parametric and non-parametric models generally outperform parametric models across all choice rules and experimental contexts. Model performance also generally improves by 6% to 96% and 0% to 55%, respectively, with an increase in training choice sets and choice rule determinism. A case study using real energy policy preference data was also conducted, where TNN performed best with a BIC of 13.351. This work demonstrated the viability and limitations of semi-parametric and non-parametric models in the context of policy-centric discrete choice modeling and showed how the choice task context should drive model selection.
• Abstract（参考訳）: 離散的選択モデリングは、ポリシー作成時に嗜好を引き出すのに使われる一般的なツールであるが、通常はパラメトリックモデルによって行われる。 機械学習は、データ駆動アプローチを採用するか、個別の選好を学ぶことで、ポリシーベースの選好誘導のための個別の選択モデリングの境界を押し上げることができる。 しかし、機械学習手法が個々の不均一性の下で個々の選択規則をどれだけうまく推定できるかは、特に選好誘導時にしばしば経験される課題の文脈において、限られた知識がある。 本研究では, 行動・社会科学において重要な5つの選択規則(線形強効性, 単調強効性, 理想点, 語彙的半順序, 多属性線形有理積算器)を学習・予測する能力について, 4つの機械学習モデル(多重対数回帰, 一般化加法モデル, 双対ニューラルネットワーク, ガウス過程)を評価する。 モンテカルロ実験は増加時のモデル性能を評価するために行われた a) 選択肢の属性の数 b) 訓練選択集合の個数,及び c) 選択規則の決定主義 シミュレーションの結果, 半パラメトリックモデルと非パラメトリックモデルは, 全ての選択規則や実験文脈において, 一般的にパラメトリックモデルよりも優れていた。 モデルの性能は、それぞれ6%から96%、0%から55%向上し、トレーニング選択セットと選択規則決定性も向上する。 実エネルギー政策選好データを用いたケーススタディも行われ、TNNは13.351のBICで最善を尽くした。 この研究は、政策中心の個別選択モデルにおける半パラメトリックモデルと非パラメトリックモデルの存在可能性と限界を実証し、選択タスクコンテキストがモデル選択をどのように駆動するかを示した。

関連論文リスト

• Stabilizing black-box model selection with the inflated argmax [8.52745154080651]
  理論的安定性を保証するモデル選択を安定化する新しい手法を提案する。 提案手法では,データに適合するモデルの小さなコレクションを選択し,高い確率で任意のトレーニングポイントを除去すると,元のコレクションと重なる選択されたモデルのコレクションが生成される。
  論文  参考訳（メタデータ） (2024-10-23T20:39:07Z)
• 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)
• MILO: Model-Agnostic Subset Selection Framework for Efficient Model Training and Tuning [68.12870241637636]
  モデル学習からサブセット選択を分離するモデルに依存しないサブセット選択フレームワークMILOを提案する。 実験結果から、MILOはモデルを3ドル(約3,300円)でトレーニングし、ハイパーパラメータを20ドル(約2,300円)でチューニングできます。
  論文  参考訳（メタデータ） (2023-01-30T20:59:30Z)
• Oracle Inequalities for Model Selection in Offline Reinforcement Learning [105.74139523696284]
  本稿では,値関数近似を用いたオフラインRLにおけるモデル選択の問題について検討する。 対数係数まで最小値の速度-最適不等式を実現するオフラインRLの最初のモデル選択アルゴリズムを提案する。 そこで本研究では,優れたモデルクラスを確実に選択できることを示す数値シミュレーションを行った。
  論文  参考訳（メタデータ） (2022-11-03T17:32:34Z)
• Design of Dynamic Experiments for Black-Box Model Discrimination [72.2414939419588]
  選択したいような動的モデル判別の設定を考えてみましょう。 (i) 最高のメカニスティックな時間変化モデルと (ii) 最高のモデルパラメータ推定値です。 勾配情報にアクセス可能な競合する力学モデルに対しては、既存の手法を拡張し、より広い範囲の問題の不確実性を組み込む。 これらのブラックボックスモデルをガウス過程サロゲートモデルに置き換えることで、モデル識別設定を拡張して、競合するブラックボックスモデルをさらに取り入れる。
  論文  参考訳（メタデータ） (2021-02-07T11:34:39Z)
• Gaussian Process Latent Class Choice Models [7.992550355579791]
  離散選択モデル(DCM)における確率的機械学習の非パラメトリッククラスを提案する。 提案モデルでは,GPを用いた行動同質クラスタ(ラテントクラス)に確率的に個人を割り当てる。 モデルは2つの異なるモード選択アプリケーションでテストされ、異なるLCCMベンチマークと比較される。
  論文  参考訳（メタデータ） (2021-01-28T19:56:42Z)
• Discrete Choice Analysis with Machine Learning Capabilities [0.0]
  本稿では,政策分析におけるモデルに不可欠な機能について述べる。 機械学習のパラダイムを活用できる分野、すなわち、ユーティリティ方程式のランダム成分の最良の仕様を特定し、体系的に選択する分野を特定する。
  論文  参考訳（メタデータ） (2021-01-21T21:34:43Z)
• On Statistical Efficiency in Learning [37.08000833961712]
  モデルフィッティングとモデル複雑性のバランスをとるためのモデル選択の課題に対処する。 モデルの複雑さを順次拡大し、選択安定性を高め、コストを削減するオンラインアルゴリズムを提案します。 実験の結果, 提案手法は予測能力が高く, 計算コストが比較的低いことがわかった。
  論文  参考訳（メタデータ） (2020-12-24T16:08:29Z)
• Semi-nonparametric Latent Class Choice Model with a Flexible Class Membership Component: A Mixture Model Approach [6.509758931804479]
  提案したモデルは、従来のランダムユーティリティ仕様に代わるアプローチとして混合モデルを用いて潜在クラスを定式化する。 その結果,混合モデルにより潜在クラス選択モデル全体の性能が向上した。
  論文  参考訳（メタデータ） (2020-07-06T13:19:26Z)

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。