English(EN) Neural-Bayesian Structure Learning for Discrete Choice Modeling

新框架将结构学习与离散选择建模相结合

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-27 04:00

研究人员开发了神经贝叶斯结构学习（Neural-BSL），一个将可微分结构学习与离散选择建模相结合的新颖框架。该方法通过创建一个单一的可微分过程来从观测数据中估计模型，该过程联合学习属性结构和随机效用参数。Neural-BSL 利用学习到的结构将干预措施传播到下游属性，从而能够预测出行方式份额响应以及旅行者或行程属性的调整。使用来自首尔的意愿偏好数据和来自伦敦的显示偏好数据进行的评估表明，Neural-BSL 在行为上连贯的依赖结构方面取得了与传统基准相当的性能。 AI

影响引入了一种分析离散选择数据的新方法，有望改善交通和经济学领域的预测。

排序理由该集群描述了一篇关于离散选择建模新框架的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

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

本文如何被排名

Signal score: 21 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了一篇关于离散选择建模新框架的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Hyunsoo Yun, Eun Hak Lee, Jiaru Zhang, Ziran Wang, Eui-Jin Kim · 2026-08-27 04:00

用于离散选择模型的神经贝叶斯结构学习

arXiv:2608.25258v1 Announce Type: new Abstract: Conventional discrete choice and machine learning models are estimated primarily from observational data and typically treat explanatory covariates as parallel inputs, providing no internal mechanism for determining how related attr…

本文如何被排名

报道来源 [1]

用于离散选择模型的神经贝叶斯结构学习

相关实体

相关话题