成对选择马尔可夫链
机器学习
2021-05-17 v4 人工智能
摘要
随着捕捉人类选择的数据集在丰富度和规模上不断增长——尤其是在线领域——越来越需要能够避开传统选择理论公理（如规律性、随机传递性和卢斯选择公理）的选择模型。本工作中，我们引入离散选择的成对选择马尔可夫链 (PCMC) 模型，这是一个推理上易处理的模型，它不假设上述任何公理，同时仍满足均匀扩展基本公理，该假设比卢斯选择公理弱得多。我们表明，在已知表现出违反卢斯公理的合成和实证数据集的预测任务中，PCMC 模型显著优于多项 Logit (MNL) 模型。我们的分析还综合了近期若干关于多项 Logit 模型与马尔可夫链联系的观察；PCMC 模型将多项 Logit 模型作为特例保留。
引用
@article{arxiv.1603.02740,
title = {Pairwise Choice Markov Chains},
author = {Stephen Ragain and Johan Ugander},
journal= {arXiv preprint arXiv:1603.02740},
year = {2021}
}
备注
Advances in Neural Information Processing Systems (NIPS) 29, 2016