Semiparametric Bayesian Estimation of Dynamic Discrete Choice Models
本文提出一种基于位置-尺度混合极值分布的半参数贝叶斯方法估计动态离散选择模型,通过哈密顿蒙特卡洛和可逆跳转算法实现推断,解决了标准动态logit模型在冲击非极值分布时产生误导的问题,并给出了逼近与后验收缩的理论结果。
2023-08-03 econ.EM math.ST stat.CO
A generalised discrete mixture model to better capture preference heterogeneity in discrete choice data
本研究针对离散选择数据的偏好异质性捕捉问题,提出广义离散混合(GDM)模型,兼具DM与LC模型优势,无需分布假设,在模拟与实证数据中均表现更优,可更细致刻画受访者偏好。
2025-06-17 stat.ME
Machine Learning Meets Microeconomics: The Case of Decision Trees and Discrete Choice
我们为决策树提供了一个微观经济学框架:一种流行的机器学习方法。具体来说,我们展示了决策树是如何代表一个非补偿性的决策协议,被称为析取的合取,以及该协议是如何推广到目前为止,在离散选择文献中使用的许多非补偿性规则。此外,我们展示了现有的决策树变体如何解决选择建模者可能存在的许多经济问题。除了理论解释,我们有助于现有的文献两阶段,半补偿建模和现有的决策树文献。特别是,我们制定的第一个baidu模型树,从而允许在估计的非补偿性规则的不确定性,以及上下文相关的偏好异质性在一个人的第二阶段的选择模型。在旧金山湾区使用自行车模式选择的应用程序,我们估计我们的baidu模型树,我们发现,它是超过1,000倍的可能性更接近真实的数据生成过程比多项logit模型(MNL)。定性地说,我们的baidu模型树自动发现自行车基础设施投资的影响受到旅行距离,社会人口统计和地形的调节,我们的模型识别了自行车道投资的收益递减。这些质的差异导致baidu模型树预测,直接与观察到的自行车模式份额在地区丰富的自行车基础设施,如戴维斯,加利福尼亚州和荷兰。相比之下,MNL的预测过于乐观。
2017-11-13 stat.AP
A Discrete Choice Framework for Modeling and Forecasting The Adoption and Diffusion of New Transportation Services
目前的出行需求模型无法预测出行行为的长期趋势,因为它们不需要一种机制来预测新交通模式(Uber,Lyft等)的会员和市场份额。我们建议整合离散选择和技术采用模型来解决上述问题。为了做到这一点,我们建立在离散混合模型,特别是潜在类别选择模型(LCCM),这是集成了网络效应模型的制定。网络效应模型量化了新技术的空间/网络效应对采用效用的影响。我们采用了一种验证性的方法来估计我们的动态LCCM的基础上,从技术扩散文献的研究结果,重点是定义两种不同类型的采用者:创新者/早期采用者和模仿者。LCCM允许不同细分市场采用效用的异质性,即创新者/早期采用者、模仿者和非采用者。我们利用显示偏好(RP)的时间序列数据从一个单向汽车共享系统在美国的一个主要城市,估计模型参数。这些数据需要在推出后的2.5年内为汽车共享服务提供一套完整的会员注册。与技术扩散文献相一致,我们的模型确定了三个潜在的类,其采用的效用有一个定义明确的偏好是显着的和行为上一致的。技术采用模型预测了某个人在某个时间段内采用服务的概率,并通过社会影响,网络效应,社会人口统计和服务水平属性来解释。最后,该模型进行了校准,然后用于预测采用汽车共享系统的潜在投资战略方案。
2017-07-24 stat.AP
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
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
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
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
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
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
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
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
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
Why Has Predicting Downstream Capabilities of Frontier AI Models with Scale Remained Elusive?
Stanford Computer Science(斯坦福大学计算机科学系);EleutherAI;MILA;University of Cambridge(剑桥大学)
本文揭示多项选择基准中由负对数似然经多步变换计算下游指标会削弱性能与规模的相关性,并提出需同时建模正确与错误选项概率质量随规模的变化,以实现下游能力的可预测扩展。
2025-02-05 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
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
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
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
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
Learning Interpretable Feature Context Effects in Discrete Choice
Cornell University(康奈尔大学)
选举结果、产品销售和社会关系结构都取决于个人在面对一系列选择时所做的选择,因此了解促成选择的因素至关重要。特别令人感兴趣的是情境效应,当一组可用的选项影响一个决策者的相对偏好时,就会发生这种效应,因为它们违反了传统的理性假设,但在实践中却很普遍。然而,从观察到的选择中识别这些影响是具有挑战性的,通常需要预先知道要测量的影响。相比之下,我们提供了一种方法,用于从观察到的选择数据中自动发现广泛的上下文效应。我们的模型比现有的模型更容易训练和更灵活,也产生直观的,可解释的,统计上可测试的上下文效果。使用我们的模型,我们在广泛使用的选择数据集中识别新的上下文效应,并提供了第一个分析选择集的上下文效应在社会网络的增长。
2020-11-05 cs.LG cs.SI stat.ML
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
The Use of Binary Choice Forests to Model and Estimate Discrete Choices
Rotman School of Management, University of Toronto(多伦多大学罗特曼管理学院);School of Data Science, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)数据科学学院);Antai College of Economics and Management, Shanghai Jiao Tong University(上海交通大学安泰经济与管理学院)
本研究提出用二元决策树森林(随机森林)表示离散选择模型,实现可解释且一致估计顾客选择概率,并能恢复偏好排序,实验证明优于现有方法。
2025-10-07 cs.LG econ.EM stat.ML
On the estimation of discrete choice models to capture irrational customer behaviors
随机效用最大化模型是迄今为止最常用的估计消费者选择行为的框架。然而,行为经济学提供了强有力的经验证据,证明非理性选择行为,如晕轮效应,与这一框架不相容。因此,属于随机效用最大化家族的模型可能无法准确地捕捉这种非理性行为。因此,更一般的选择模型,克服这些限制,已被提出。然而,这种模型的灵活性是以增加过拟合风险为代价的。因此,估计这些模型仍然是一个挑战。在这项工作中,我们提出了一个估计方法,最近提出的广义随机偏好选择模型,其中包括家庭的随机效用最大化模型,并能够捕捉晕轮效应。具体来说,我们将展示如何使用部分排名的偏好,有效地从交易数据的理性和非理性的客户类型建模。我们的估计过程是基于列生成,其中相关的客户类型是有效地提取通过扩展一个树状的数据结构,包含客户行为。此外,我们提出了一个新的优势规则之间的客户类型,其效果是优先级低订单的产品之间的相互作用。一组广泛的实验评估所提出的方法的预测精度。我们的研究结果表明,当对来自大型连锁杂货店和药店的真实数据集进行测试时,考虑非理性偏好可以将预测准确率平均提高12.5%。
2021-09-08 cs.LG econ.EM math.OC
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
A Lecture Note on Offline RL and IRL, Part II: Foundations of Inverse Reinforcement Learning and Dynamic Discrete Choice Models
University of Washington, Foster School of Business(华盛顿大学,福斯特商学院)
本文证明了逆强化学习(IRL)与动态离散选择(DDC)模型的等价性,回顾了经典识别结果和计算范式,并介绍了现代机器学习方法及其识别特性。
2026-05-29 cs.LG econ.EM
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
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
An Empirical Risk Minimization Approach for Offline Inverse RL and Dynamic Discrete Choice Model
Foster School of Business, University of Washington(华盛顿大学福斯特商学院)
本文提出了一种基于经验风险最小化(ERM)的逆强化学习/动态离散选择模型框架,该方法无需显式估计贝尔曼方程中的状态转移概率,适用于高维和无限状态空间,并在理论上有Polyak-Lojasiewicz条件的支持,从而保证了快速的全局收敛性。
2026-06-04 cs.AI cs.LG econ.EM
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
Does Circuit Analysis Interpretability Scale? Evidence from Multiple Choice Capabilities in Chinchilla
Google DeepMind(谷歌DeepMind)
该研究针对70B参数Chinchilla模型开展电路分析可扩展性测试,验证了三类现有分析技术可扩展至大模型,同时发现“正确字母”注意力头的特征解释仅具部分有效性,仍待深入探究。
2023-07-24 cs.LG
Auditing and Fixing Economic Validity in Tabular Foundation Models for Discrete Choice
University of California, Berkeley, CA, USA(加州大学伯克利分校);Duke University, Durham, NC, USA(杜克大学);Northeastern University, Boston, MA, USA(东北大学);University of Illinois Urbana-Champaign, IL, USA(伊利诺伊大学厄巴纳-香槟分校);Southern Methodist University, Dallas, TX, USA(南方 Methodist 大学)
提出两阶段适配器,将表格基础模型预测嵌入效用最大化框架,在保证经济一致性的同时提升选择预测精度。
2026-05-26 cs.AI cs.LG econ.EM
Theory-based residual neural networks: A synergy of discrete choice models and deep neural networks
Cambridge, MA 02139(剑桥,马萨诸塞州 02139)
在出行行为分析中,研究者往往将数据驱动模型和理论驱动模型视为两种截然不同甚至相互冲突的方法。然而,这两种方法是高度互补的,因为数据驱动的方法更具预测性,但可解释性和鲁棒性较差,而理论驱动的方法更具可解释性和鲁棒性,但预测性较差。利用它们的互补性,本研究设计了一个基于理论的残差神经网络(TB-ResNet)框架,该框架基于共享效用解释协同离散选择模型(DCM)和深度神经网络(DNN)。TB-ResNet框架很简单,因为它使用($δ$,1- $δ$)加权来利用DCM的简单性和DNN的丰富性,并防止DCM的欠拟合和DNN的过拟合。该框架也是灵活的:基于多项logit模型(MNL-ResNets),前景理论(PT-ResNets)和双曲线贴现(HD-ResNets)设计了三个TB-ResNets实例,并在三个数据集上进行了测试。与纯DCM相比,TB-ResNets提供了更高的预测准确性,并揭示了更丰富的行为机制,这是由于TB-ResNets中的DNN组件增强了效用函数。与纯DNN相比,TB-ResNets可以适度改善预测,并显着提高解释和鲁棒性,因为TB-ResNets中的DCM组件稳定了效用函数和输入梯度。总的来说,这项研究表明,通过在TB-ResNet框架下结合它们的实用程序规范来协同DCM和DNN是可行和可取的。尽管仍存在一些局限性,但这个TB-ResNet框架是在DCM和DNN之间…
2020-10-22 cs.LG econ.EM
Comparing hundreds of machine learning classifiers and discrete choice models in predicting travel behavior: an empirical benchmark
University of Florida(佛罗里达大学);University of Leeds(利兹大学);Massachusetts Institute of Technology(麻省理工学院)
本研究构建了一个实证基准,通过锦标赛模型分析6,970个实验,发现集成方法和深度学习等ML模型在统计上优于DCM族,并强调情境因素和固有不确定性对模型预测性能的关键影响。
2025-03-06 cs.LG econ.EM
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
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
Deep reinforced learning enables solving rich discrete-choice life cycle models to analyze social security reforms
Confederation of Finnish Industries EK(芬兰工业联合会)
本文提出使用深度强化学习算法ACKTR求解离散选择生命周期模型,发现其效果接近动态规划,并成功应用于分析提高退休年龄和全民基本收入等社会保障改革,证明了强化学习在该领域的应用价值。
2022-02-02 cs.LG econ.GN q-fin.EC
Demonstrating the Continual Learning Capabilities and Practical Application of Discrete-Time Active Inference
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
本文提出基于主动推理的离散时间持续学习框架,推导变分与期望自由能公式并构建自学习智能体,实验证明其能在变化环境中高效更新模型,适用于金融、医疗等复杂领域。
2024-09-30 cs.AI cs.LG
Workplace Location Choice Model based on Deep Neural Network
针对传统离散选择模型(DCMs)难以准确反映个体工作地点决策过程的问题,提出基于深度神经网络(DNN)的工作地点选择模型,实验表明二者各有优劣,需根据应用场景选择。
2025-10-02 cs.LG
Efficient Inference for Inverse Reinforcement Learning and Dynamic Discrete Choice Models
University of Washington(华盛顿大学);Netflix Research(Netflix研究院);Cornell Tech, Cornell University(康奈尔大学康奈尔理工学院)
本文提出了一种半参数框架,用于高效逆强化学习与动态离散选择模型的统计推断,实现了非参数奖励和现代机器学习工具的统一方法。
2026-08-24 cs.LG math.ST stat.TH
Constrained Triple-Head Price Optimization (C3PO) Network for Discrete-Choice Models
IBM T.J. Watson Research Center(IBM T.J. Watson研究院)
本文提出一种因果感知基础模型框架,用于离散选择环境中实时最优决策。通过约束三头价格优化网络解决服务提供者选择最优商品组合的问题,同时考虑用户个性化接受或拒绝选择。模型在模拟、合成和真实数据集上表现优异,应用于医疗、招标定价等领域,提升定价KPI。
2026-10-12 cs.LG math.OC
Online Ranking: Discrete Choice, Spearman Correlation and Other Feedback
给定$n$对象的集合$V$,在线排名系统在每个时间步输出集合的完整排名,观察某种形式的反馈并遭受损失。我们研究的设置,其中(对抗)反馈是$V$中的一个元素,损失是位置(第0,第1,第2.)在输出的排名中的项目。更一般地说,我们研究的设置中的反馈是一个子集$U$的最多$k$元素在$V$,和损失是这些元素的位置的总和。我们提出了一个算法的预期遗憾$O(n^{3/2}\sqrt{Tk})$在一个时间范围内的$T$步骤的最佳单一的排名在事后。这通过$Ω(\sqrt{k})$的因子、$Ω(\sqrt{\log n})$的因子或通过将每轮的运行时间从二次改进为$O(n\log n)$来改进先前的算法和分析。我们还证明了一个匹配的下界。我们的技术也意味着一个改进的遗憾界在线排名聚合斯皮尔曼相关性措施,和其他更复杂的排名损失函数。
2013-10-14 cs.GT cs.LG stat.ML
Delphos: A reinforcement learning framework for assisting discrete choice model specification
Delphos通过深度强化学习框架自动提供数据驱动的效用规范建议,减少开发和优化效用函数的劳动强度,通过序列决策问题学习生成高性能候选模型。
2026-10-09 cs.LG econ.GN q-fin.EC
Equality of opportunity in travel behavior prediction with deep neural networks and discrete choice models
Massachusetts Institute of Technology(麻省理工学院)
尽管研究人员越来越多地采用机器学习来建模旅行行为,但他们主要关注预测准确性,忽视了机器学习算法中嵌入的伦理挑战。本研究引入了一个重要的缺失维度-计算公平性-旅游行为分析。我们首先通过机会均等将计算公平性操作化,然后区分数据中固有的偏见和建模引入的偏见。然后,我们使用2017年全国家庭旅行调查(NHTS)和2018-2019年我在芝加哥的每日旅行调查来展示旅行行为建模的预测差异。从实证上看,深度神经网络和离散选择模型(DCM)在多个社会群体中表现出一致的预测差异:对少数民族、低收入人群和残疾人群体的频繁驾驶的假阴性率都有过高的预测,而对社会弱势群体和农村人口的出行负担都有过高的预测。比较DNN和DCM,我们发现DNN在预测差异方面优于DCM,因为DNN的误指定误差更小。为了减轻预测差异,本研究引入了绝对相关正则化方法,该方法用合成和真实世界的数据进行评估。结果表明,在旅行行为建模中预测差异的普遍性,并且差异仍然存在于各种模型细节中,例如DNN层的数量,批量大小和权重初始化。由于这些预测差异,如果没有公平调整的预测结果用于交通政策制定,会加剧社会不公平,我们主张认真考虑公平问题的出行行为建模,并使用偏见缓解算法公平的交通决策。
2021-09-25 cs.LG stat.AP stat.ML