神经理想点估计网络
社会与信息网络
2019-04-29 v1 计算机与社会
机器学习
摘要
理解政治具有挑战性，因为政治受到万事万物的影响。即便我们将自己限定于立法过程中的政治语境，仍需更好地理解立法者、法案、其理想点及其关系等潜在因素。从建模角度看，这很困难：1) 因为这些观测处于高维空间，需要在低维表示上学习；2) 因为这些观测需要带潜变量的复杂概率建模以反映因果关系。本文提出一种反映并理解这一政治设定的新模型 NIPEN，涵盖立法中上述因素。我们提出两个版本的 NIPEN：一个是深度学习与概率图模型的混合模型，另一个是神经张量模型。我们的结果表明，NIPEN 成功学习了立法法案文本的流形，并利用学到的低维潜变量提升了立法者投票的预测性能。此外，凭借作为富含领域知识的概率模型，NIPEN 揭示了立法者信任网络及其在投票中表现出的各类特征的隐藏特性。
引用
@article{arxiv.1904.11727,
title = {Neural Ideal Point Estimation Network},
author = {Kyungwoo Song and Wonsung Lee and Il-Chul Moon},
journal= {arXiv preprint arXiv:1904.11727},
year = {2019}
}