PulseAugur
中
实时 09:02:40
English(EN) Representing Random Utility Choice Models with Neural Networks

神经网络为随机效用选择模型提供新方法

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一类新的神经网络模型，称为 RUMnets，旨在离散选择建模中表示随机效用最大化 (RUM) 原理。这些模型利用神经网络来近似代理人的随机效用函数，为预测选择提供了一种灵活而强大的方法。该研究表明，RUMnets 可以很好地近似现有的 RUM 离散选择模型，并且与 RUM 原理一致。实验表明，在真实世界和合成数据集的预测准确性方面，RUMnets 在选择建模和机器学习方法方面表现具有竞争力。 AI

影响 为选择建模引入了一种新颖的神经网络架构，有可能提高经济学和营销领域的预测能力。

排序理由 这是一篇详细介绍新建模方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

神经网络为随机效用选择模型提供新方法

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Ali Aouad, Antoine D\'esir ·

    使用神经网络表示随机效用选择模型

    arXiv:2207.12877v3 Announce Type: replace-cross Abstract: Motivated by the successes of deep learning, we propose a class of neural network-based discrete choice models, called RUMnets, inspired by the random utility maximization (RUM) framework. This model formulates the agents'…

相关实体

相关话题