論文の概要: TorchDCM: A Unified PyTorch-Native Package for Discrete Choice Modeling
- arxiv url: http://arxiv.org/abs/2608.19231v1
- Date: Tue, 04 Aug 2026 09:00:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-23 14:54:40.000335
- Title: TorchDCM: A Unified PyTorch-Native Package for Discrete Choice Modeling
- Title（参考訳）: TorchDCM:離散選択モデリングのための統一PyTorch-Native Package
- Abstract要約: 我々は、個別選択モデリングのためのオープンPythonパッケージであるTorchDCMを提示する。
選択データとモデル仕様を統合されたPyTorchネイティブオフィシャルエンジンにコンパイルする。
トーチDCMは45の合成ケースを全て完了し、同等の合成ケースで最速で動作し、あらかじめ特定された最終対数耐性を満たす。
- 参考スコア（独自算出の注目度）: 6.4414601789800505
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Estimating large and simulation-intensive discrete choice models (DCMs) requires repeated evaluation of utilities, probabilities, derivatives, and simulated likelihoods over many observations, alternatives, and draws. Existing DCM software provides mature econometric workflows, while recent GPU-oriented tools accelerate selected models, leaving a gap between econometric coverage and scalable differentiable computation. We introduce TorchDCM, an open Python package for discrete choice modeling that compiles choice data and model specifications into a unified PyTorch-native likelihood engine for estimation, inference, prediction, and structured reporting on CPU or CUDA devices. The package covers the principal econometric functionality available across Biogeme and Apollo, including multinomial, nested, mixed, ordered, latent-variable, and panel likelihoods. It also supports ragged choice sets, constrained parameters, covariance estimation, willingness-to-pay analysis, elasticities, and extensible likelihood components. We evaluate TorchDCM against seven other estimation packages in aligned synthetic and real-data full-estimation experiments. TorchDCM completes all 45 synthetic cases, runs fastest in every comparable synthetic case, and satisfies the prespecified final-log-likelihood tolerance in every comparison with at least two comparable solutions. More precisely, it reduces median runtime by 89.1%-99.7% relative to Biogeme and Apollo across model-data settings. CUDA provides an additional 12.0-71.0x speedup over single-core TorchDCM. These results establish a scalable and reproducible foundation for econometric estimation and differentiable choice-model development. The open-source package and executed examples are available at https://github.com/mbc96325/torchdcm.
- Abstract（参考訳）: 大規模かつシミュレーション集約的な離散選択モデル(DCM)を推定するには、多くの観測、代替案、図面について、実用性、確率、導関数、シミュレーション可能性の繰り返し評価が必要である。
既存のDCMソフトウェアは成熟したエコノメトリワークフローを提供し、最近のGPU指向ツールは選択したモデルを加速し、エコノメトリカバレッジとスケーラブルな微分可能な計算のギャップを残している。
我々は、選択データとモデル仕様を、CPUまたはCUDAデバイス上での予測、推測、予測、構造化レポートのための統一されたPyTorchネイティブな候補エンジンにコンパイルする、離散選択モデリングのためのオープンPythonパッケージであるTorchDCMを紹介した。
このパッケージは、BiogemeとApolloで利用可能な主要な計量機能をカバーしている。
また、ラッジされた選択集合、制約されたパラメータ、共分散推定、有意性対支払分析、弾力性、拡張可能な可能性成分もサポートする。
我々は,TorchDCMを他の7つの推定パッケージと比較した。
トーチDCMは、45の合成ケースを全て完了し、全ての同等の合成ケースで最速で実行し、少なくとも2つの同等のソリューションと比較して、あらかじめ定義された最終ログのような耐久性を満足する。
より正確には、モデルデータ設定でBiogemeとApolloと比較して中央値ランタイムを89.1%-99.7%削減する。
CUDAはシングルコアのTorchDCMに対して12.0-71.0xの高速化を提供する。
これらの結果は、計量的推定と微分可能な選択モデル開発のためのスケーラブルで再現可能な基盤を確立する。
オープンソースパッケージと実行済みの例はhttps://github.com/mbc96325/torchdcmで公開されている。
関連論文リスト
- libhmm: A Modern C++20 Library for Hidden Markov Models with Correct MLE Emission M-Steps [0.0]
libhmmはモデルパラメータ推定、シーケンスデコーディング、モデル選択のためのC++20ライブラリである。
既存のソフトウェアの2つのギャップに対処する: プロダクションシステムに組み込むのに適した、よく保守された、ゼロ依存のC++ HMMライブラリがない。
論文 参考訳（メタデータ） (2026-05-28T00:42:19Z) - Optimization with SpotOptim [0.304585143845864]
spotoptimパッケージはPythonのブラックボックス関数のサロゲートモデルに基づく最適化を実装している。
本稿では、Spotoptimのアーキテクチャとモジュール構造を説明し、実例を示し、BoTorch、Optuna、Ray Tune、BOHB、SMAC、Hyperoptと比較する。
論文 参考訳（メタデータ） (2026-04-15T09:39:46Z) - CausationEntropy: Pythonic Optimal Causation Entropy [0.0]
CausationEntropyはPythonパッケージで、oCSEといくつかの重要な最適化と方法論拡張を実装している。
本稿では、新しい合成データ生成装置、プロットツール、情報理論による因果ネットワーク探索アルゴリズムを含むCausationEntropyのバージョン1.1のリリースを紹介する。
論文 参考訳（メタデータ） (2026-01-19T20:01:59Z) - Mixture-Models: a one-stop Python Library for Model-based Clustering
using various Mixture Models [4.60168321737677]
textttMixture-Modelsは、Gaussian Mixture Models(GMM)とその変種を適合させるオープンソースのPythonライブラリである。
様々な第1/第2次最適化ルーチンを使用して、これらのモデルの実装と分析を合理化する。
このライブラリは、BIC、AIC、ログライクな推定など、ユーザフレンドリーなモデル評価ツールを提供する。
論文 参考訳（メタデータ） (2024-02-08T19:34:24Z) - UncertaintyPlayground: A Fast and Simplified Python Library for
Uncertainty Estimation [0.0]
UncertaintyPlaygroundはPyTorchとGPyTorch上に構築されたPythonライブラリで、教師付き学習タスクの不確かさを推定する。
このライブラリは、ガウスおよびマルチモーダルな結果分布の高速なトレーニングを提供する。
1つ以上のインスタンスの予測間隔を視覚化することができる。
論文 参考訳（メタデータ） (2023-10-23T18:36:54Z) - DADApy: Distance-based Analysis of DAta-manifolds in Python [51.37841707191944]
DADApyは、高次元データの分析と特徴付けのためのピソンソフトウェアパッケージである。
固有次元と確率密度を推定し、密度に基づくクラスタリングを行い、異なる距離メトリクスを比較する方法を提供する。
論文 参考訳（メタデータ） (2022-05-04T08:41:59Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Scikit-dimension: a Python package for intrinsic dimension estimation [58.8599521537]
この技術ノートは、固有次元推定のためのオープンソースのPythonパッケージであるtextttscikit-dimensionを紹介している。
textttscikit-dimensionパッケージは、Scikit-learnアプリケーションプログラミングインターフェイスに基づいて、既知のID推定子のほとんどを均一に実装する。
パッケージを簡潔に記述し、実生活と合成データにおけるID推定手法の大規模(500以上のデータセット)ベンチマークでその使用を実証する。
論文 参考訳（メタデータ） (2021-09-06T16:46:38Z) - BayesSimIG: Scalable Parameter Inference for Adaptive Domain
Randomization with IsaacGym [59.53949960353792]
BayesSimIGは、最近リリースされたNVIDIA IsaacGymと統合されたBayesSimの実装を提供するライブラリである。
BayesSimIGはNVIDIABoardと統合して、高次元の後方のスライスを簡単に視覚化する。
論文 参考訳（メタデータ） (2021-07-09T16:21:31Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:01:24Z) - MOGPTK: The Multi-Output Gaussian Process Toolkit [71.08576457371433]
ガウス過程(GP)を用いたマルチチャネルデータモデリングのためのPythonパッケージMOGPTKを提案する。
このツールキットの目的は、研究者、データサイエンティスト、実践者にもMOGP(multi-output GP)モデルを利用できるようにすることである。
論文 参考訳（メタデータ） (2020-02-09T23:34:49Z)
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。