論文の概要: Neural-Bayesian Structure Learning for Discrete Choice Modeling
- arxiv url: http://arxiv.org/abs/2608.25258v1
- Date: Wed, 26 Aug 2026 00:42:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.499784
- Title: Neural-Bayesian Structure Learning for Discrete Choice Modeling
- Title（参考訳）: 離散選択モデルのためのニューラルベイズ構造学習
- Abstract要約: 本稿では,無作為性に基づく離散的選択推定と微分可能な構造学習を結合するフレームワークを提案する。
Neural-BSLは、振る舞いコヒーレントな依存関係構造を回復しながら、従来のベンチマークに匹敵する予測性能を達成する。
- 参考スコア（独自算出の注目度）: 6.319601146638786
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conventional discrete choice and machine learning models are estimated primarily from observational data and typically treat explanatory covariates as parallel inputs, providing no internal mechanism for determining how related attributes should adjust when one is deliberately changed. This paper proposes Neural-Bayesian Structure Learning (Neural-BSL), a framework coupling differentiable structure learning with random-utility-based discrete choice estimation in a single differentiable procedure. To prevent mutually exclusive choice outcome from distorting the recovered attribute structure, the observed choice is maintained outside the graph as an alternative-specific utility comparison, while the attribute structure and random-utility parameters are learned jointly. The learned structure enters the choice model through structure-weighted attribute interactions and provides the structural basis for propagating interventions through downstream attributes. An intervention is evaluated by updating the intervened attribute, propagating its model-implied downstream changes in topological order, and then recomputing utilities and choice probabilities. This yields both predicted mode-share responses and the associated changes in downstream traveler or trip attributes. We evaluate Neural-BSL using stated-preference data from Seoul and the revealed-preference data from London. Neural-BSL achieves predictive performance comparable to conventional benchmarks while recovering behaviorally coherent dependency structures. Across policy scenarios, propagating interventions through the learned structure changes the predicted redistribution across modes while exposing the downstream traveler and trip adjustments underlying those responses.
- Abstract（参考訳）: 従来の離散的な選択と機械学習モデルは、主に観測データから推定され、説明的共変体を並列入力として扱う。
本稿では, ランダムな実用性に基づく離散的選択推定と, 識別可能な構造学習を結合したフレームワークであるNeural-Bayesian Structure Learning (Neural-BSL)を提案する。
復元された属性構造を歪ませる排他的選択結果を防止するため、観測された選択は、属性構造とランダムユーティリティパラメータを併用して学習しながら、グラフの外部で代替的なユーティリティ比較として維持される。
学習された構造は、構造重み付けされた属性相互作用を通じて選択モデルに入り、下流属性を介して介入を伝播するための構造的基盤を提供する。
介入は、インターベンブド属性を更新し、そのモデルで実装された下流の変化をトポロジ的順序で伝播し、ユーティリティと選択確率を再計算することによって評価される。
これにより、予測されたモード共有応答と、下流の旅行者や旅行属性の変更の両方が得られる。
ソウルの述語参照データとロンドンの明語参照データを用いてニューラルBSLを評価する。
Neural-BSLは、振る舞いコヒーレントな依存関係構造を回復しながら、従来のベンチマークに匹敵する予測性能を達成する。
政策シナリオ全体を通じて、学習された構造を通して介入を伝播すると、予測された再分配がモードにわたって変化し、下流の旅行者やそれらの応答の根底にある旅行調整が露出する。
関連論文リスト
- Learning Bidirectional Causal Interactions with Heteroscedastic Neural Networks [1.0356094515229846]
本稿では,ヘテロセダスティックなニューラル同時方程式推定器であるSEM-DNNを提案する。
外部機器を使わずに相互構造相互作用を学習する。
シーレアルスキャナーデータへの応用は、同時期の価格-セールフィードバックを研究する方法を示している。
論文 参考訳（メタデータ） (2026-07-24T13:53:58Z) - Dynamics and Representation Structure of Local Approximations to Gradient-Based Learning in Linear Recurrent Neural Networks [56.42974363744522]
ランダム・フィードバック・ローカル・オンライン(RFLO)の学習動態と時間による逆伝播(tBPTT)について検討する。
我々の研究は、局所性制約が学習力学をどう形成するかに関する分析的な洞察を提供し、学習の神経科学的モデルやRNNの代替最適化アプローチに影響を及ぼす。
論文 参考訳（メタデータ） (2026-05-29T18:19:45Z) - K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。
提案手法はシミュレーションと実世界の応用を通して評価する。
論文 参考訳（メタデータ） (2026-05-14T13:35:44Z) - Data-Driven Variational Basis Learning Beyond Neural Networks: A Non-Neural Framework for Adaptive Basis Discovery [0.0]
我々は,変分最適化により,データから直接基底関数を学習する非ニューラルな代替手法を開発した。
データ駆動変分基底学習(DVBL)と呼ばれる提案フレームワークは、基底原子を一次最適化変数として扱う。
これにより、明快で解釈可能で厳密な分析が可能なデータ適応基底展開が得られる。
論文 参考訳（メタデータ） (2026-04-17T23:01:34Z) - Semi-structured multi-state delinquency model for mortgage default [7.0177704222466994]
本研究では,半構造化離散時間多状態モデルを提案する。
このモデルは、容易に理解可能な構造付き付加予測器と、複雑な非線形性と高次相互作用をキャプチャする柔軟なニューラルネットワークコンポーネントを組み合わせる。
論文 参考訳（メタデータ） (2026-03-27T11:22:22Z) - On the Structural Limitations of Weight-Based Neural Adaptation and the Role of Reversible Behavioral Learning [0.0]
パラメータが直接変更されると、結果のモデルが元のモデルと異なる振る舞いをすることを示す。
この発散は明示的なパラメータスナップショットなしで決定的に逆転することはできない。
本稿では,モデル行動が識別パラメータから構造的に分離される可逆的行動学習を紹介する。
論文 参考訳（メタデータ） (2026-03-03T12:44:12Z) - Detecting and Pruning Prominent but Detrimental Neurons in Large Language Models [68.57424628540907]
大規模言語モデル(LLM)は、しばしば特定のデータセットに特化した学習メカニズムを開発する。
本稿では,データセット固有のメカニズムに関連するニューロンの同定と解析により,一般化の促進を目的とした微調整手法を提案する。
本手法では,各ニューロンの高信頼度予測への影響を定量化するため,データセット固有の性能に不均等に寄与するニューロンを同定する。
論文 参考訳（メタデータ） (2025-07-12T08:10:10Z) - Structural Entropy Guided Probabilistic Coding [52.01765333755793]
構造エントロピー誘導型確率的符号化モデルSEPCを提案する。
我々は、構造エントロピー正規化損失を提案することにより、潜在変数間の関係を最適化に組み込む。
分類タスクと回帰タスクの両方を含む12の自然言語理解タスクに対する実験結果は、SEPCの優れた性能を示す。
論文 参考訳（メタデータ） (2024-12-12T00:37:53Z) - Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。
選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。
また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-29T20:56:34Z) - Attitudes and Latent Class Choice Models using Machine learning [0.0]
LCCM (Latent Class Choice Models) の仕様において, 位置インジケータを効率的に組み込む手法を提案する。
この定式化は、位置指標と決定選択との関係を探索する能力において構造方程式を克服する。
我々は,デンマークのコペンハーゲンから,カーシェアリング(Car-Sharing, CS)サービスサブスクリプションの選択を推定するためのフレームワークをテストした。
論文 参考訳（メタデータ） (2023-02-20T10:03:01Z) - Instance-Based Neural Dependency Parsing [56.63500180843504]
依存関係解析のための解釈可能な推論プロセスを持つニューラルモデルを開発する。
私たちのモデルはインスタンスベースの推論を採用しており、トレーニングセットのエッジと比較することで、依存関係のエッジを抽出し、ラベル付けします。
論文 参考訳（メタデータ） (2021-09-28T05:30:52Z)
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。