Fully Data-driven but Interpretable Human Behavioural Modelling with Differentiable Discrete Choice Model
Fujitsu Limited（富士通有限公司）
本文提出可微离散选择模型（Diff-DCM），通过可微编程实现完全数据驱动且可解释的复杂人类行为建模、预测与控制，仅需少量计算资源即可估计闭式效用函数并提供最优行为干预路径。
2025-07-15 cs.AI cs.HC cs.LG
Interpretable Sequence Classification via Discrete Optimization
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；Schwartz Reisman Institute for Technology and Society（施瓦茨·赖斯曼技术与社会研究所）
序列分类是在给定观测序列的情况下预测类别标签的任务。在医疗监控或入侵检测等许多应用中，早期分类对于及时干预至关重要。在这项工作中，我们学习序列分类器，有利于早期分类从不断变化的观察轨迹。虽然许多最先进的序列分类器是神经网络，特别是LSTM，但我们的分类器采用有限状态自动机的形式，并通过离散优化进行学习。我们的基于自动机的分类器是可解释的-支持解释，反事实推理和人在环修改-并且具有很强的经验性能。在一套目标识别和行为分类数据集上的实验表明，我们学习的基于自动机的分类器具有与基于LSTM的分类器相当的测试性能，并且具有可解释的额外优势。
2020-10-06 cs.AI cs.LG
Methods and Models for Interpretable Linear Classification
我们提出了一个整数规划框架，以建立准确和可解释的离散线性分类模型。与现有的方法不同，我们的框架旨在为从业者提供他们所需的控制和灵活性，以便为所选领域定制准确和可解释的模型。为此，我们的框架可以通过最小化0- 1分类损失来生成完全优化准确性的模型，并通过合并一系列离散约束和惩罚函数来解决可解释性的多个方面。我们使用我们的框架来生成难以用现有方法创建的模型，例如评分系统和M-of-N规则表。此外，我们提出了专门设计的优化方法，以提高我们的框架的可扩展性，通过分解和数据减少。我们表明，离散线性分类器可以达到任何其他线性分类器的训练精度，并提供一个奥卡姆剃刀型参数，为什么使用小的离散系数可以提供更好的推广。我们通过数值实验和案例研究证明了我们的框架的性能和灵活性，在该案例研究中，我们构建了一个高度定制的睡眠呼吸暂停诊断的临床工具。
2014-10-01 cs.LG stat.ME stat.ML
Semi-supervised Learning for Discrete Choice Models
Northwestern University（西北大学）；Sabre Holdings（Sabre控股公司）
我们引入了一个半监督离散选择模型来校准离散选择模型时，相对较少的请求有选择集和规定的偏好，但大多数只有选择集。两个经典的半监督学习算法，期望最大化算法和聚类和标签算法，已被改编为我们的选择建模问题设置。我们还开发了两个新的算法的基础上的聚类和标签算法。新算法使用贝叶斯信息标准来评估聚类设置，以自动调整聚类数量。两个计算研究，包括酒店预订的情况下，一个大规模的航空公司行程购物的情况下，评估所提出的算法的预测精度和计算量。在各种情况下提出了军事建议。
2017-02-16 cs.LG stat.ML
Generating Multiple-Choice Knowledge Questions with Interpretable Difficulty Estimation using Knowledge Graphs and Large Language Models
本文提出利用知识图谱和大语言模型生成带难度估计的多选题，通过知识图谱构建和语言模型生成相结合，实现高质量且可解释的多选题生成。
2026-04-12 cs.AI cs.CL cs.LG
Pacos: Modeling Users' Interpretable and Context-Dependent Choices in Preference Reversals
Tsinghua University（清华大学）
针对情境效应导致的偏好反转问题，提出统一偏好模型 Pacos，融合自适应权重、物品比较与展示位置，并通过理论证明和实验验证其预测性能与可解释性。
2023-06-18 cs.AI cs.IR cs.LG
Choice Set Confounding in Discrete Choice
Cornell University（康奈尔大学）；Stanford University（斯坦福大学）
偏好学习的标准方法涉及从个体从离散的备选方案集合（选择集合）中做出的选择（选择）的数据来估计离散选择模型的参数。虽然有许多个人偏好的模型，但现有的学习方法忽略了选择集分配如何影响数据。通常，选择集本身受到个人偏好的影响;例如，消费者从在线零售商选择产品时，通常会收到来自推荐系统的选项，这些选项取决于消费者偏好的信息。忽略这些分配机制可能会误导选择模型对偏好进行有偏见的估计，这种现象我们称之为选择集混淆;我们在广泛使用的选择数据集中证明了这种混淆的存在。为了解决这个问题，我们调整方法从因果推理的离散选择设置。我们使用协变量的反概率加权和/或回归控制，准确地恢复个人偏好的选择集混淆在某些假设下的存在。当这些协变量不可用或不足时，我们开发了利用结构化选择集分配来提高预测的方法。我们证明了我们的方法对现实世界的选择数据的有效性，例如，考虑选择集混淆使酒店预订和通勤交通中观察到的选择更符合理性效用最大化。
2021-08-17 cs.LG cs.SI econ.EM
Ordinal-ResLogit: Interpretable Deep Residual Neural Networks for Ordered Choices
Ryerson University（瑞尔森大学）
本研究提出了一个有序版本的残差Logit（Ordinal-ResLogit）模型来研究有序响应。我们将标准ResLogit模型集成到CORAL框架中，归类为二进制分类算法，以开发完全可解释的基于深度学习的有序回归模型。由于Ordinal-ResLogit模型的公式化具有残差神经网络概念，因此我们提出的模型解决了机器学习算法的主要约束，称为黑盒。此外，Ordinal-ResLogit模型作为有序数据的二进制分类框架，保证了二进制分类器之间的一致性。我们表明，由此产生的公式能够从数据中捕获潜在的未观察到的异质性，并且是一个可解释的基于深度学习的模型。配方的市场份额，替代模式和弹性。我们比较了有序-ResLogit模型与有序Logit模型的性能，该模型使用行人等待时间的陈述偏好（SP）数据集和行驶距离的显示偏好（RP）数据集。我们的研究结果表明，Ordinal-ResLogit优于传统的有序回归模型的两个数据集。此外，从Ordinal-ResLogit RP模型得到的结果表明，出行属性，如驾驶和运输成本有显着的影响，选择非强制性的行程的位置。在Ordinal-ResLogit SP模型方面，我们的研究结果强调，道路相关的变量和交通状况是影响行人等待时间预测的因素，使得混合交通状况显着增加选择更长等待时间的概率。
2022-04-24 cs.LG
QPM: Discrete Optimization for Globally Interpretable Image Classification
Intel Labs（英特尔实验室）
针对深度模型全局解释难题，提出QPM模型，通过离散优化学习每类约5个共享特征的二元分配，实现可对比的全局可解释表示，并在准确性与可解释性上均达到最先进水平。
2025-02-27 cs.AI cs.CV cs.HC
Weights to Code: Extracting Interpretable Algorithms from the Discrete Transformer
Key Laboratory of High Confidence Software Technology (PKU), MOE, Beijing, China（高可信软件技术重点实验室（PKU），教育部，北京，中国）；School of Computer Science, Peking University, Beijing, China（计算机学院，北京大学，北京，中国）；Shanghai AI Lab, Shanghai, China（上海人工智能实验室，上海，中国）；Shanghai Innovation Institute, Shanghai, China（上海创新研究院，上海，中国）
提出离散Transformer架构，通过温度退火采样注入离散性，结合假设检验和符号回归从模型权重中提取可解释算法，在离散任务上性能与RNN基线相当，并扩展到连续中间计算任务。
2026-05-29 cs.CL cs.LG
Choice Set Optimization Under Discrete Choice Models of Group Decisions
Cornell University（康奈尔大学）
人们做出选择或展示偏好的方式会受到可用选项集（通常称为选择集）的强烈影响。此外，在小群体内的个人层面或大群体的子群体内，通常存在异质性偏好。考虑到选择数据的可用性，现在有许多模型可以捕捉这种行为，以便进行有效的预测-然而，在理解如何直接改变选择集来影响决策者集合的偏好方面，几乎没有工作。在这里，我们使用离散选择模型来开发一个优化框架，这样的干预群体影响力的几个问题，即最大限度地提高协议或分歧，促进特定的选择。我们表明，这些问题一般是NP难的，但施加限制揭示了一个基本的边界：促进选择可以比鼓励共识或播种不和更容易。我们设计的近似算法的硬问题，并表明他们的工作以及现实世界的选择数据。
2020-08-03 cs.GT cs.LG stat.ML
Expressive Symbolic Regression for Interpretable Models of Discrete-Time Dynamical Systems
University of California, Santa Barbara（加州大学圣巴巴拉分校）；Lynbrook High School（林布鲁克高中）
本文改进 SymANNTEx 符号回归架构，通过流程优化、稀疏正则化和信息论简化，从数据流中识别离散动力系统的可解释表达式。
2024-06-05 cs.LG cs.SC
Bayesian Automatic Relevance Determination for Utility Function Specification in Discrete Choice Models
Technical University of Denmark (DTU)（丹麦技术大学）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
效用函数是应用离散选择框架理解支配用户选择的行为过程的关键一步。然而，确定最好的模型和解释所观察到的选择的效用函数规格可能是一个非常具有挑战性和耗时的任务。本文旨在帮助建模者利用贝叶斯框架和自动相关性确定（ARD）的概念，以自动确定一个最佳的效用函数规范从一个指数级大的可能的规格在一个纯粹的数据驱动的方式。基于最新进展的近似贝叶斯推断，双随机变分推断的发展，这使得建议的DCM-ARD模型的规模非常大，高维数据集。使用半人工选择数据，所提出的方法被证明是非常准确地恢复真正的效用函数规范，管理观察到的选择。此外，当应用到真正的选择数据，DCM-ARD被证明能够发现高质量的规格，可以优于以前的文献根据多个标准，从而证明其实用性。
2019-06-10 cs.LG stat.ML
Towards Interpretable-AI Policies Induction using Evolutionary Nonlinear Decision Trees for Discrete Action Systems
Michigan State University（密歇根州立大学）；Ford Motor Company（福特汽车公司）
黑盒人工智能归纳方法，如深度强化学习（DRL），越来越多地用于为给定的控制任务找到最佳策略。虽然使用黑盒AI表示的策略能够有效地执行底层控制任务并实现最佳闭环性能，但开发的控制规则通常很复杂，既不可解释也不可解释。在本文中，我们使用最近提出的非线性决策树（NLDT）的方法来找到一个分层的控制规则集，试图最大限度地提高开环性能近似和解释的预先训练的黑盒DRL（Oracle）代理使用标记的状态-动作数据集。非线性优化方法的最新进展，使用演化计算，便于找到一个分层的一组非线性控制规则的状态变量的函数，使用一个计算快速的双层优化程序在每个节点的建议NLDT。此外，我们提出了一个重新优化的过程，以提高闭环性能的一个已经派生的NLDT。我们评估我们提出的方法（开环和闭环NLDTs）对不同的控制问题有多个离散的行动。在所有这些问题中，我们提出的方法能够找到相对简单和可解释的规则，每个规则涉及一到四个非线性项，同时与训练有素的黑盒DRL代理相比，实现了同等的闭环性能。本文还提出了一种简化NLDT的后处理方法。所获得的结果是鼓舞人心的，因为他们建议更换复杂的黑盒DRL政策，涉及数千个参数（使他们无法解释）与相对简单的可解释的政策。结果是令人鼓舞的，激励追求进一步的应用所提出的方法在解决更复杂的控制任务。
2021-04-06 cs.LG cs.NE cs.SY
Designing Graph Convolutional Neural Networks for Discrete Choice with Network Effects
School of Civil and Environmental Engineering, Cornell University（土木与环境工程学院，康奈尔大学）
我们提出一种图卷积神经网络架构，将网络效应纳入离散选择模型，在提升预测性能的同时保持可解释性，并在通勤和选举数据上验证了其有效性。
2025-03-12 cs.LG econ.EM stat.AP
Interpretable Diagnostics and Adaptive Data Assimilation for Neural ODEs via Discrete Empirical Interpolation
School of Mechanical Engineering, Purdue University（普渡大学机械工程学院）；Mathematics and Computer Science Division, Argonne National Laboratory（阿贡国家实验室数学与计算机科学部）
本文提出利用DEIM方法对神经ODE进行可解释分析，通过诊断发现流体结构并改进数据同化策略，提升模型预测稳定性与准确性。
2026-04-02 cs.LG physics.flu-dyn
Comparison of Discrete Choice Models and Artificial Neural Networks in Presence of Missing Variables
University of Wollongong（伍伦贡大学）；University of Namur（那慕尔大学）
分类，即为给定其特征的观察分配标签（或类别）的过程，是许多应用中的常见任务。然而，在大多数现实生活中的应用，标签不能完全解释所观察到的功能。事实上，可能有许多因素隐藏的建模。无法解释的变化，然后被视为一些随机噪声，这是不同的处理取决于由从业者保留的方法。这项工作的重点是两个简单的和广泛使用的监督分类算法：离散选择模型和人工神经网络的背景下，二进制分类。通过各种数值实验，包括连续或离散的解释功能，我们提出了一个比较的保留方法的性能存在缺失的变量。还研究了训练数据中两类分布的影响。这些实验的结果突出了这样一个事实，即人工神经网络优于离散选择模型，除非训练数据中的类分布高度不平衡。最后，这项工作提供了一些指导方针，选择正确的分类器的训练数据。
2018-11-06 cs.LG stat.ML
Graph-Based Methods for Discrete Choice
Cornell University（康奈尔大学）
针对传统离散选择模型无法利用全局社交网络且依赖手工特征的问题，提出三种图学习方法，实验证明结合社交网络结构能显著提升多项Logit等模型的预测效果并降低样本复杂度。
2023-11-17 cs.LG cs.SI econ.EM
Interpretable time series analysis with Gumbel dynamics
Allen Institute（艾伦研究所）；University of Washington（华盛顿大学）
针对切换动态系统难以捕捉平滑转换和随机混合状态的问题，提出Gumbel动力学模型，通过连续松弛和Gumbel噪声实现完全可微训练，在模拟和真实数据上有效推断可解释状态。
2026-10-20 cs.LG stat.ML
Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus
Aarhus University（奥胡斯大学）
本文提出结合符号回归与离散外微积分的框架，从实验数据自动发现可解释且数学一致的物理模型，并通过重新发现泊松方程、欧拉弹性线和线性弹性方程验证其有效性。
2023-12-05 cs.DM cs.LG cs.NE
Enhancing Discrete Choice Models with Representation Learning
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Eindhoven University of Technology（埃因霍温理工大学）
在离散选择模型（DCM）中，模型误设定可能导致有限的可预测性和有偏的参数估计。在本文中，我们提出了一种新的方法来估计选择模型，其中我们分为系统的效用规格的一部分（i）知识驱动的部分，和（ii）数据驱动的，它学习一个新的表示从可用的解释变量。我们的配方增加了标准DCM的预测能力，而不牺牲其可解释性。我们证明了我们的配方的有效性，通过增加效用规格的多项式Logit（MNL）和嵌套Logit（NL）模型与一个新的非线性表示所产生的神经网络（NN），导致新的选择模型被称为学习多项式Logit（L-MNL）和学习嵌套Logit（L-NL）模型。使用多个公开的数据集的基础上透露和陈述的偏好，我们表明，我们的模型优于传统的，无论是在预测性能和准确性参数估计。模型的所有源代码都是共享的，以促进开放科学。
2020-09-04 cs.LG stat.ML
An interpretable neural network-based non-proportional odds model for ordinal regression
The Institute of Statistical Mathematics（统计数理研究所）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Tokyo Medical University（东京医科大学）
本研究提出用于有序回归的可解释神经网络非比例优势模型N$^3$POM，兼具灵活性与可解释性，建立了局部单调性充分条件并给出保单调性训练算法，可应用于多类真实数据集。
2024-03-11 cs.LG stat.ME stat.ML
Symbolic Density Estimation for Discrete Distributions
Rice University（里士大学）
提出符号密度估计（SDE）框架，通过组合基本解析操作自动恢复离散分布的闭式概率质量函数，并扩展至零膨胀和有限混合等分布族，在基准数据集上准确恢复所有分布族，实际应用中识别出简洁可解释的混合模型。
2026-05-20 cs.LG stat.ME stat.ML
TorchDCM: A Unified PyTorch-Native Package for Discrete Choice Modeling
Tsinghua University（清华大学）；Zhejiang University（浙江大学）
TorchDCM是基于PyTorch的开源离散选择建模软件包，覆盖Biogeme和Apollo的主要功能，在合成与真实数据实验中速度远超同类工具，为相关建模提供可扩展可复现的基础。
2026-08-21 cs.LG stat.ML
Discrete Choice Multi-Armed Bandits
Indiana University Bloomington（印第安纳大学伯明顿分校）；Chemnitz University of Technology（开姆尼茨工业大学）
该研究搭建离散选择模型与在线学习、多臂老虎机的关联，给出含Exp3的算法族次线性遗憾界，还基于广义嵌套logit模型提出可高效实现、灵活调参的对抗式多臂老虎机算法，并通过随机老虎机数值实验验证可行性。
2023-10-01 cs.GT cs.LG stat.ML
Nonparametric Discrete Choice Experiments with Machine Learning Guided Adaptive Design
University of Florida（佛罗里达大学）；Warrington College of Business（沃灵顿商学院）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；McCombs School of Business（麦库姆斯商学院）
提出基于梯度的调查（GBS），一种多属性产品设计的非参数离散选择实验，通过自适应配对比较获取偏好，无需参数化效用模型，在准确性和样本效率上优于现有方法，且可扩展至数百属性。
2023-10-18 cs.LG stat.AP stat.ML
An analysis of machine learning approaches for enhancing decision-making in complex discrete choice tasks
本研究分析四种机器学习模型在复杂离散选择任务中学习和预测五类选择规则的性能，发现半参数及非参数模型总体优于参数模型，孪生神经网络在能源政策偏好案例中表现最佳。
2026-08-03 cs.LG
Modeling Non-deterministic Human Behaviors in Discrete Food Choices
Lirio LLC（Lirio有限责任公司）
我们建立了一个非确定性模型，预测用户的食物偏好，从他们的人口统计信息。我们的模拟器是基于NHANES数据集和领域专家知识的形式建立的行为研究。我们的模型可用于生成任意数量的合成数据点，这些数据点在分布上与原始数据集相似，并符合行为科学的预期。这样的模拟器可以用于各种机器学习任务，尤其是需要人类行为预测的应用。
2023-01-23 cs.LG stat.AP stat.ML
Graph neural networks for residential location choice: connection to classical logit models
Department of Urban and Regional Planning, University of Florida（佛罗里达大学城市与区域规划系）；Department of Landscape Architecture and Urban Planning, Texas A&M University（德克萨斯大学农业与机械学院景观建筑与城市规划系）；Department of Computer Science, University of California, Santa Barbara（加州大学圣芭芭拉分校计算机科学系）
本文提出基于图神经网络的住宅选址选择模型，通过捕捉空间替代关系，优于传统模型，展现深度学习与离散选择模型结合的潜力。
2025-07-28 cs.LG stat.ML
A Data-Driven State Aggregation Approach for Dynamic Discrete Choice Models
Princeton University（普林斯顿大学）；Meta；Amazon（亚马逊公司）
针对动态离散选择模型最大似然估计中的维数灾难，提出先用逆强化学习与聚类聚合关键状态、再用嵌套不动点算法估计的两阶段方法，并给出有限样本误差界和实证验证。
2023-06-01 cs.LG stat.ML
Discriminative conditional restricted Boltzmann machine for discrete choice and latent variable modelling
Ryerson University（瑞尔森大学）；Polytechnique Montréal（蒙特利尔高等理工学院）
估计潜在行为的传统方法通常使用主观的态度问题，并且这些调查问题可能并不总是可用的。我们假设，另一种方法可以用于潜变量估计通过无向图形模型。例如，非参数人工神经网络。在这项研究中，我们探索使用生成非参数建模方法来估计潜变量的先验选择分布，而无需传统的使用测量指标。一个受限制的玻尔兹曼机被用来表示潜在的行为因素，通过分析观察到的选择和解释变量之间的关系信息。该算法适用于离散选择场景中的潜在行为分析，我们使用一种图形化的方法来评估和理解估计参数向量值的语义含义。我们说明了我们的方法在金融工具选择数据集上，并对参数的敏感性和稳定性进行统计分析。我们的研究结果表明，通过非参数统计检验，我们可以提取有用的潜在信息的行为的潜在结构，通过机器学习方法，并提出强大的和显着的影响选择过程。此外，我们的建模框架通过采样和验证显示了输入可变性的鲁棒性。
2017-06-01 cs.LG
An economically-consistent discrete choice model with flexible utility specification based on artificial neural networks
Universidad San Sebastián（圣塞巴斯蒂安大学）；Delft University of Technology（代尔夫特理工大学）；Populytics（Populytics 研究机构）
本文提出基于人工神经网络的离散选择模型ASS-NN，在保持RUM理论和货币可替代性假设一致性的同时，无需明确设定效用函数形式即可推导边际效用和支付意愿，且在拟合优度上优于传统MNL模型。
2024-04-19 cs.LG econ.EM stat.ML
Bayesian Deep Learning for Discrete Choice
School of Civil and Environmental Engineering, Cornell University（土木与环境工程学院，康奈尔大学）；Industrial Engineering Department, Universidad de Los Andes（工业工程系，洛斯安德斯大学）
研究针对离散选择模型，提出将深度学习模型与近似贝叶斯推理方法集成的架构，数据有限时可减轻过拟合等问题，通过模拟研究和实证案例展示该方法，评估相关指标，提升离散选择模型性能。
2026-07-10 cs.LG econ.EM stat.AP
Learning interpretable models of phenotypes from whole genome sequences with the Set Covering Machine
全基因组测序的可负担性的增加促使其用于表型研究。我们解决了从整个基因组学习离散表型的可解释模型的问题。我们提出了一个通用的方法，依赖于集覆盖机和k-mer表示的基因组。我们显示的问题，预测耐药性的铜绿假单胞菌，一种重要的人类病原体，对4种抗生素的结果。我们的研究结果表明，可以使用这种方法学习生物相关的极其稀疏的模型。
2014-12-02 cs.CE cs.LG q-bio.GN
Discrete-Choice Model with Generalized Additive Utility Network
Toyota Central R&D Labs., Inc.（丰田中央研发实验室）；Tohoku University（东北大学）；University of Tokyo（东京大学）
本文提出广义加性效用网络 GAUNet，用于离散选择模型，在保持与 ASU-DNN 相当预测精度的同时提升模型可解释性，并在东京出行调查数据上验证了效果。
2024-10-19 cs.AI cs.LG
Discrete Choice Analysis with Machine Learning Capabilities
Massachusetts Institute of Technology（麻省理工学院）
本文讨论的能力是必不可少的模型应用于政策分析设置和现成的机器学习方法直接应用到这样的设置的局限性。为政策分析建立离散选择模型的传统计量经济学方法涉及将数据与受主题考虑指导的建模假设相结合。这种考虑通常是最有用的，在指定随机效用离散选择模型的系统组件，但通常是有限的帮助，在确定随机组件的形式。我们确定了一个领域，机器学习范例可以利用，即在指定和系统地选择最佳规格的随机组件的效用方程。我们回顾了最近的两个新的应用程序，混合整数优化和交叉验证算法选择最佳规格的随机效用组件的嵌套logit和logit混合模型的可解释性约束。
2021-01-21 cs.LG econ.EM stat.ME
Combining Discrete Choice Models and Neural Networks through Embeddings: Formulation, Interpretability and Performance
DTU Technical University of Denmark（丹麦技术大学）
本研究提出了一种新的方法，结合理论和数据驱动的选择模型，使用人工神经网络（ANN）。特别是，我们使用连续向量表示，称为嵌入，用于编码分类或离散解释变量，特别关注可解释性和模型透明度。虽然Pereira（2019）已经概念化了logit框架中的嵌入表示，但它们的维度并没有绝对的确定意义，因此在这项早期工作中提供了有限的行为见解。我们的工作的新颖性在于执行可解释性的嵌入向量正式关联的每个维度的选择。因此，我们的方法带来的好处远远超出了一个简单的吝啬表示改进虚拟编码，因为它提供了行为上有意义的输出，可用于旅游需求分析和政策决策。此外，与先前建议的基于人工神经网络的离散选择模型（DCM）相比，该模型要么牺牲性能的可解释性，要么仅部分可解释，尽管基于人工神经网络原理，但我们的模型保留了所有输入变量的效用系数的可解释性。在两个真实世界的数据集上对所提出的模型进行了测试，并对使用虚拟编码的基准和基线模型进行了评估。实验结果表明，我们的模型提供了最先进的预测性能，优于现有的基于人工神经网络的模型，同时大大减少了所需的网络参数的数量。
2021-09-30 cs.LG econ.EM stat.ME
From GEV to ResLogit: Spatially Correlated Discrete Choice Models for Pedestrian Movement Prediction
本文提出ResLogit模型，通过学习残差修正更有效捕捉行人运动中空间相关性，优于传统GEV结构。
2026-03-01 cs.LG physics.soc-ph
Discovering Context Effects from Raw Choice Data
Stanford University（斯坦福大学）；Facebook Artificial Intelligence Research（脸书人工智能研究院）
偏好学习中的许多应用都假设决策来自于稳定效用函数的最大化。然而，大量的实验文献表明，个人的选择和判断可能会受到他们所处环境中“不相关”方面的影响。一类重要的上下文是选择集的组成。在这项工作中，我们的目标是从原始选择数据中发现这种选择集效应。我们介绍了一个扩展的多项式Logit（MNL）模型，称为上下文相关的随机效用模型（CDM），它允许一个特定的类的选择集的影响。我们表明，CDM可以被认为是一个二阶近似的一般选择系统，可以推断出最佳使用最大似然，重要的是，很容易解释。我们将CDM应用于真实和模拟选择数据，对选择集效应的存在进行原则性探索性分析。
2020-01-31 cs.GT cs.LG stat.ML
Tabular Foundation Models for Discrete Choice Estimation
Leeds School of Business, University of Colorado Boulder（科罗拉多大学博尔德分校利兹商学院）
研究离散选择估计中表格基础模型的应用，提出编码选择集依赖性和个体异质性的重新表述方法，在酸奶扫描仪面板数据上评估，该方法在预测准确性和速度上优于分层贝叶斯估计，为基础模型应用于消费者选择问题提供原则性方法。
2026-07-21 cs.AI cs.LG econ.EM
Neural-Bayesian Structure Learning for Discrete Choice Modeling
本文提出Neural-BSL框架，耦合可微结构学习与离散选择估计，经首尔、伦敦数据评估，其预测性能与传统基准相当，可恢复行为一致的依赖结构，能有效分析干预措施的下游影响。
2026-08-27 cs.AI cs.LG
Interpretable Learned Emergent Communication for Human-Agent Teams
Carnegie Mellon University（卡内基梅隆大学）；Massachusetts Institute of Technology（麻省理工学院）；University of Pittsburgh（匹兹堡大学）
学习可解释的通信对于多智能体和人类智能体团队（HAT）至关重要。在部分可观察环境的多智能体强化学习中，智能体可以通过学习的通信向其他智能体传递信息，从而允许团队完成其任务。受人类语言的启发，最近的作品研究离散（仅使用有限的令牌集）和稀疏（仅在某些时间步长进行通信）通信。然而，在人类代理团队实验中，这种通信的实用性尚未得到研究。在这项工作中，我们分析了稀疏离散的方法产生紧急通信，使高代理和人类代理团队的性能的有效性。我们开发了仅代理的团队，这些团队通过我们的执行者计划进行稀疏通信，该计划充分限制了任何预算的通信。我们的结果显示，在基准测试环境和任务中，性能没有损失或损失极小。在基准测试环境中测试的人类代理团队中，代理已使用执行者建模，我们发现基于原型的方法产生有意义的离散令牌，使人类合作伙伴能够更快，更好地学习智能体通信比一个热基线。额外的HAT实验表明，适当的稀疏水平降低了人类与代理团队沟通时的认知负荷，并导致卓越的团队表现。
2023-01-05 cs.LG cs.MA cs.RO
Amortized Inference for Correlated Discrete Choice Models via Equivariant Neural Networks
Johns Hopkins Carey Business School（约翰霍普金斯大学凯瑞商学院）
本文提出利用等变神经网络架构近似一般误差分布下的选择概率，通过Sobolev训练提升估计一致性与渐近正态性，仿真显示在准确性和速度上优于GHK模拟器。
2026-09-09 cs.LG econ.EM stat.ME
UDDETTS: Unifying Discrete and Dimensional Emotions for Controllable Emotional Text-to-Speech
University of Science and Technology of China（中国科学技术大学）；Alibaba Group（阿里巴巴集团）；China Mobile（中国移动）
针对LLM TTS难以可解释地合成细粒度情感语音的问题，提出UDDETTS框架，统一离散与维度情感，引入ADV空间并采用半监督训练，实现沿三个维度的线性情感控制，提升端到端合成性能。
2025-09-25 cs.AI cs.CL cs.LG
Incorporating Domain Knowledge in Deep Neural Networks for Discrete Choice Models
Faculty of Civil and Environmental Engineering, Technion – Israel Institute of Technology（以色列理工学院土木与环境工程学院）
本文提出一种通过伪数据样本与约束损失将领域知识和先验信念融入机器学习的离散选择建模框架，以兼顾非线性拟合灵活性与计量经济学可解释性。
2023-05-30 cs.AI cs.LG econ.EM
DisParQ: Self-Supervised Part Concepts for Interpretable Vision Foundation Models
Jagiellonian University（雅盖隆大学）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Ardigen SA（Ardigen公司）
DisParQ通过自监督学习从冻结的视觉骨干中提取离散部件概念，无需标签或语言，在ImageNet线性探测达到83.2%的top-1准确率，并支持跨类别部件检索。
2026-10-08 cs.AI cs.CV cs.LG
Symbolic--KAN: Kolmogorov-Arnold Networks with Discrete Symbolic Structure for Interpretable Learning
Energy \& Intelligence Lab, Department of Chemical Engineering, University of Utah, Salt Lake City, Utah, 84112, USA；Department of Mechanical Engineering, University of Utah, Salt Lake City, Utah, 84112, USA；Imaging Institute, University of Utah, Salt Lake City, Utah, 84112, USA；Department of Biomedical Engineering, University of Utah, Salt Lake City, Utah, 84112, USA；Department of Mechanical Engineering, School of Engineering, Urmia University of Technology, Urmia, Iran
本文提出Symbolic-KAN，通过在可训练深度网络中嵌入离散符号结构，解决可解释性与可扩展学习之间的平衡问题，实现紧凑的闭式表达和可扩展的原始发现机制。
2026-03-25 cs.CE cs.LG math.AP
