用于离散选择与潜变量建模的判别式条件受限玻尔兹曼机
机器学习
2018-09-18 v1
摘要
估计潜在行为的传统方法通常使用主观的态度性问题，而这些调查问题并非总是可用。我们假设一种替代方法可通过无向图模型进行潜变量估计，例如非参数人工神经网络。在本研究中，我们探索使用生成式非参数建模方法，从先验选择分布中估计潜变量，而不使用传统的测量指标。受限玻尔兹曼机通过分析观测选择与解释变量之间的关系信息来表示潜在行为因子。该算法被适配用于离散选择场景中的潜在行为分析，我们使用图形化方法来评估和理解估计参数向量值的语义含义。我们在一个金融工具选择数据集上展示了我们的方法，并对参数敏感性和稳定性进行了统计分析。我们的发现表明，通过非参数统计检验，我们可以利用机器学习方法提取关于潜在构念行为的有用潜在信息，并显示出对选择过程强烈且显著的影响。此外，我们的建模框架通过采样和验证显示出对输入变异性的稳健性。
引用
@article{arxiv.1706.00505,
title = {Discriminative conditional restricted Boltzmann machine for discrete choice and latent variable modelling},
author = {Melvin Wong and Bilal Farooq and Guillaume-Alexandre Bilodeau},
journal= {arXiv preprint arXiv:1706.00505},
year = {2018}
}