論文の概要: Logic-Logit: A Logic-Based Approach to Choice Modeling

• arxiv url: http://arxiv.org/abs/2610.05501v1
• Date: Sun, 04 Oct 2026 20:14:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 13:23:12.544256
• Title: Logic-Logit: A Logic-Based Approach to Choice Modeling
• Title（参考訳）: Logic-Logit:選択モデリングのための論理ベースのアプローチ
• Abstract要約: ルールベースの解釈可能な選択モデルであるLogic-Logitは、人間の選択を効果的に学習し、説明するために設計されている。 本稿では,コラム生成手法とFrank-Wolfeアルゴリズムの独特な組み合わせを導入し,選好モデルのための効率的なルール抽出を容易にする。 商用および医療領域の合成データセットと実世界のデータの両方を用いて実施した実証実験により、Logic-Logitは、解釈可能性と精度において、ベースラインモデルを大幅に上回っていることが示された。
• 参考スコア（独自算出の注目度）: 13.594254116236682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we propose a novel rule-based interpretable choice model, Logic-Logit, designed to effectively learn and explain human choices. Choice models have been widely applied across various domains---such as commercial demand forecasting, recommendation systems, and consumer behavior analysis---typically categorized as parametric, nonparametric, or deep network-based. While recent innovations have favored neural network approaches for their computational power, these flexible models often involve large parameter sets and lack interpretability, limiting their effectiveness in contexts where transparency is essential. Previous empirical evidence shows that individuals usually use heuristic decision rules to form their consideration sets, from which they then choose. These rules are often represented as disjunctions of conjunctions (i.e., OR-of-ANDs). These rules-driven, consider-then-choose decision processes enable people to quickly screen numerous alternatives while reducing cognitive and search costs. Motivated by this insight, our approach leverages logic rules to elucidate human choices, providing a fresh perspective on preference modeling. We introduce a unique combination of column generation techniques and the Frank-Wolfe algorithm to facilitate efficient rule extraction for preference modeling---a process recognized as NP-hard. Our empirical evaluation, conducted on both synthetic datasets and real-world data from commercial and healthcare domains, demonstrates that Logic-Logit significantly outperforms baseline models in terms of interpretability and accuracy.
• Abstract（参考訳）: 本研究では,人間の選択を効果的に学習し,説明するための新しいルールベースの解釈可能な選択モデルであるLogic-Logitを提案する。 選択モデルは、商業需要予測、レコメンデーションシステム、消費者行動分析など、様々な領域で広く適用されており、典型的にはパラメトリック、非パラメトリック、ディープネットワークベースに分類される。 最近の革新は計算能力にニューラルネットワークアプローチを好んでいるが、これらの柔軟なモデルは大きなパラメータセットを伴い、解釈可能性の欠如を伴い、透明性が不可欠であるコンテキストにおけるニューラルネットワークの有効性を制限している。 以前の実証的な証拠は、個人が通常ヒューリスティックな決定ルールを使用して考慮セットを形成し、そこから選択することを示している。 これらの規則は、しばしば接続の解離(OR-of-ANDs)として表される。 これらのルール駆動の、考慮すべき選択決定プロセスは、認知と検索のコストを削減しつつ、多くの選択肢を素早くスクリーニングすることを可能にする。 この知見に動機づけられた我々のアプローチは、論理ルールを活用して人間の選択を解明し、嗜好モデリングの新たな視点を提供する。 本稿では,コラム生成手法とFrank-Wolfeアルゴリズムのユニークな組み合わせを導入し,選好モデルのための効率的なルール抽出を行う。 商用および医療領域の合成データセットと実世界のデータの両方を用いて実施した実証実験により、Logic-Logitは、解釈可能性と精度において、ベースラインモデルを大幅に上回っていることが示された。

関連論文リスト

• PREF-XAI: Preference-Based Personalized Rule Explanations of Black-Box Machine Learning Models [2.969056717104372]
  Preference-Based Explainable Artificial Intelligence (PREF-XAI) は、優先順位に基づく意思決定問題として説明を再設計する新しい視点である。 PreF-XAI内では、説明は固定出力として扱われるのではなく、ユーザ固有の基準に従って評価され、選択される代替手段として扱われる。 PreF-XAIは、限られたフィードバックからユーザの好みを正確に再構築し、非常に関連性の高い説明を識別し、新しい説明規則を発見できることを示す。
  論文  参考訳（メタデータ） (2026-04-21T17:07:04Z)
• The CoT Encyclopedia: Analyzing, Predicting, and Controlling how a Reasoning Model will Think [81.38614558541772]
  本稿では,モデル推論の分析とステアリングのためのフレームワークであるCoT Encyclopediaを紹介する。 本手法はモデル生成CoTから多種多様な推論基準を自動的に抽出する。 このフレームワークは既存の手法よりも解釈可能で包括的分析が可能であることを示す。
  論文  参考訳（メタデータ） (2025-05-15T11:31:02Z)
• Efficiently Learning Probabilistic Logical Models by Cheaply Ranking Mined Rules [9.660348625678001]
  我々は、論理規則の精度とリコールを導入し、それらの構成をルールユーティリティとして定義する。 また、リレーショナルデータから論理理論を学習するためのスケーラブルなフレームワークであるSPECTRUMを紹介する。
  論文  参考訳（メタデータ） (2024-09-24T16:54:12Z)
• Optimized Feature Generation for Tabular Data via LLMs with Decision Tree Reasoning [53.241569810013836]
  本稿では,大規模言語モデル(LLM)を用いて,効率的な特徴生成ルールを同定するフレームワークを提案する。 我々は、自然言語で容易に表現できるため、この推論情報を伝達するために決定木を使用します。 OCTreeは様々なベンチマークで様々な予測モデルの性能を継続的に向上させる。
  論文  参考訳（メタデータ） (2024-06-12T08:31:34Z)
• A Statistical-Modelling Approach to Feedforward Neural Network Model Selection [0.8287206589886881]
  フィードフォワードニューラルネットワーク(FNN)は非線形回帰モデルと見なすことができる。 FNNのためのベイズ情報基準(BIC)を用いて,新しいモデル選択法を提案する。 サンプル外性能よりもBICを選択することは、真のモデルを回復する確率を増大させる。
  論文  参考訳（メタデータ） (2022-07-09T11:07:04Z)
• MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
  MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。 公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
  論文  参考訳（メタデータ） (2022-05-31T04:57:06Z)
• Model-Based Deep Learning: On the Intersection of Deep Learning and Optimization [101.32332941117271]
  決定アルゴリズムは様々なアプリケーションで使われている。 数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。 モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
  論文  参考訳（メタデータ） (2022-05-05T13:40:08Z)
• Neuro-Symbolic Inductive Logic Programming with Logical Neural Networks [65.23508422635862]
  我々は最近提案された論理ニューラルネットワーク(LNN)を用いた学習規則を提案する。 他のものと比較して、LNNは古典的なブール論理と強く結びついている。 標準ベンチマークタスクの実験では、LNNルールが極めて解釈可能であることを確認した。
  論文  参考訳（メタデータ） (2021-12-06T19:38:30Z)
• Combining Discrete Choice Models and Neural Networks through Embeddings: Formulation, Interpretability and Performance [10.57079240576682]
  本研究では、ニューラルネットワーク(ANN)を用いた理論とデータ駆動選択モデルを組み合わせた新しいアプローチを提案する。 特に、分類的または離散的説明変数を符号化するために、埋め込みと呼ばれる連続ベクトル表現を用いる。 我々のモデルは最先端の予測性能を提供し、既存のANNモデルよりも優れ、必要なネットワークパラメータの数を劇的に削減します。
  論文  参考訳（メタデータ） (2021-09-24T15:55:31Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)

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。