用神经网络表示随机效用选择模型
机器学习
2023-07-21 v2 最优化与控制
机器学习
摘要
受深度学习成功的启发，我们提出一类受随机效用最大化（RUM）框架启发的、基于神经网络的离散选择模型，称为 RUMnets。该模型使用样本平均近似来构建智能体的随机效用函数。我们证明 RUMnets 能锐利地逼近 RUM 离散选择模型类：任何由随机效用最大化导出的模型都具有可被 RUMnet 任意紧密逼近的选择概率。反过来，任何 RUMnet 都与 RUM 原理一致。我们推导了在选择数据上拟合的 RUMnets 的泛化误差上界，并基于数据集与架构的关键参数，获得关于其预测新未见数据上选择的理论见解。通过利用开源神经网络库，我们发现 RUMnets 在两个真实世界数据集上的预测精度相对于若干选择建模与机器学习方法具有竞争力。
引用
@article{arxiv.2207.12877,
title = {Representing Random Utility Choice Models with Neural Networks},
author = {Ali Aouad and Antoine Désir},
journal= {arXiv preprint arXiv:2207.12877},
year = {2023}
}