PulseAugur
中
实时 05:00:14

新研究探索用于离散选择模型的贝叶斯深度学习

作者 PulseAugur 编辑部 · [2 个来源] ·

两篇最新的arXiv论文探讨了用于离散选择模型的先进神经网络架构，旨在提高准确性和可解释性。第一篇论文介绍了一种使用等变神经网络的摊销推理方法，以处理相关误差并提供快速的似然评估，显示出优于传统模拟器的优势。第二篇论文提出了一种与近似贝叶斯推理相结合的贝叶斯深度学习模型，与传统模型相比，在提供可解释性和不确定性量化的同时，具有更好的预测性能。 AI

影响 这些论文推动了神经网络在计量经济学和市场营销中的应用，有望带来对消费者行为和决策制定的更准确预测。

排序理由 两篇在arXiv上发表的学术论文，详细介绍了使用神经网络进行离散选择模型的新方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新研究探索用于离散选择模型的贝叶斯深度学习

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Easton Huch, Michael Keane ·

    基于等变神经网络的离散选择模型相关性的摊销推理

    arXiv:2603.24705v3 Announce Type: replace-cross Abstract: Discrete choice models are fundamental tools in management science, economics, and marketing for understanding and predicting decision-making. Logit-based models are dominant in applied work, largely due to their convenien…

  2. arXiv stat.ML TIER_1 English(EN) · Daniel F. Villarraga, Ricardo A. Daziano ·

    用于离散选择的贝叶斯深度学习

    arXiv:2505.18077v3 Announce Type: replace Abstract: Discrete choice models (DCMs) are used to analyze individual decision-making in contexts such as transportation choices, political elections, and consumer preferences. DCMs play a central role in applied econometrics by enabling…

相关实体

相关话题