用于选择分析的深度神经网络：基于方案特有效用函数的架构设计
机器学习
2021-04-06 v2 人工智能
综合经济学
经济学
机器学习
摘要
尽管深度神经网络（DNN）正日益应用于选择分析，但将领域特定的行为知识与通用 DNN 相协调、提升 DNN 的可解释性与预测能力、以及识别针对特定任务的有效正则化方法仍具挑战。本研究利用先验行为知识设计了一种特定的带有方案特有效用函数的 DNN 架构（ASU-DNN）。与全连接 DNN（F-DNN）使用所有方案的属性计算方案 k 的效用值不同，ASU-DNN 仅使用 k 自身的属性计算该值。理论上，由于其更轻量的架构与更稀疏的连接，ASU-DNN 可大幅降低 F-DNN 的估计误差。实证上，在我们于新加坡收集的私有数据集与 R mlogit 包中的公共数据集上，ASU-DNN 在整个超参数空间中的预测准确率比 F-DNN 高 2-3%。作为基于领域知识的正则化方法，方案特有连接约束比最流行的通用显式与隐式正则化方法以及架构超参数更有效。ASU-DNN 也更可解释，因为它比 F-DNN 提供了更规则的出行方式选择替代模式。ASU-DNN 与 F-DNN 的比较也有助于检验行为知识。我们的结果揭示个体更可能使用方案自身属性计算效用，支持了选择建模中长期以来的做法。总体而言，本研究表明先验行为知识可用于指导 DNN 的架构设计、作为有效的基于领域知识的正则化方法，并提升选择分析中 DNN 的可解释性与预测能力。
引用
@article{arxiv.1909.07481,
title = {Deep Neural Networks for Choice Analysis: Architectural Design with Alternative-Specific Utility Functions},
author = {Shenhao Wang and Baichuan Mo and Jinhua Zhao},
journal= {arXiv preprint arXiv:1909.07481},
year = {2021}
}