离散选择建模中的图像：解决多模态输入中的数据同构问题

本文探讨了离散选择建模（DCM）与机器学习的交叉领域，重点关注将图像数据整合到 DCM 效用函数中及其对模型可解释性的影响。我们研究了在 DCM 框架内嵌入与 tradicional 表格输入共享同构信息的高维图像数据所带来的后果。我们的研究表明，当共存关系存在时，神经网络（NN）组件会从图像中学习并复制表格变量表示，从而损害 DCM 参数的可解释性。我们提出并基准测试了两种应对这一挑战的方法：调整架构设计以分离冗余信息，以及通过源信息掩蔽和修复来减轻同构信息。我们在半合成数据集上进行的实验表明，虽然架构修改的结果尚不明确，但在数据源处直接减轻影响被证明是维持 DCM 可解释参数完整性的更有效策略。本文最后总结了我们的发现在实际场景中的适用性，并讨论了其对结合复杂数据模态的混合建模未来研究的意义。通过使用 MIT 道德机器数据集实现了对表格和图像数据一致性的完全控制，并通过部署学习多项 Logit（L-MNL）框架将两种输入合并到选择模型中。