DeepHalo：一种具有可控情境效应的神经选择模型
机器学习
2026-01-09 v1 人工智能
摘要
对人类决策过程进行建模是推荐、偏好学习和人机对齐等应用的核心。尽管许多经典模型假设选择行为独立于情境，但大量行为研究表明，偏好往往受到选择集本身构成的影响——这种现象被称为情境效应或晕轮效应。这些效应可以表现为可用备选项之间的成对（一阶）甚至更高阶的交互作用。试图捕捉此类效应的现有模型要么专注于无特征设置，要么在基于特征的设置中依赖于受限的交互结构，或者将所有阶次的交互纠缠在一起，这限制了可解释性。在这项工作中，我们提出了 DeepHalo，这是一个神经建模框架，它在纳入特征的同时，能够对交互阶次进行显式控制，并对情境效应提供有原则的解释。我们的模型能够按阶次系统地识别交互效应，并在特化为无特征设置时作为依赖情境的选择函数的通用近似器。在合成数据集和真实世界数据集上的实验表明，该模型具有很强的预测性能，同时为选择的驱动因素提供了更高的透明度。
引用
@article{arxiv.2601.04616,
title = {DeepHalo: A Neural Choice Model with Controllable Context Effects},
author = {Shuhan Zhang and Zhi Wang and Rui Gao and Shuang Li},
journal= {arXiv preprint arXiv:2601.04616},
year = {2026}
}