Multinomial Logit
PulseAugur coverage of Multinomial Logit — every cluster mentioning Multinomial Logit across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
语言大模型生成逼真出行日记，在出行目的和方式预测方面优于传统方法
研究人员开发了一种新方法，利用语言大模型（LLMs）为交通建模生成个人出行日记。该方法从美国社区调查和智能位置数据库等开源数据中合成用户画像，然后提示语言大模型创建详细的出行属性，如出行目的、方式和距离。生成的日记与康涅狄格州全州交通研究的真实世界数据进行了比较，使用了综合真实性评分进行评估，显示出与传统方法相当的整体真实性，并在预测出行目的和方式一致性方面表现出色。
-
新定价模型优化树和需求以提高收入
研究人员开发了具有多项 Logit 叶的最优选择模型树 (OCMT-MNL)，这是一种用于基于特征的多产品定价的新颖方法，可联合优化树结构和需求模型。该方法通过降低计算成本和实现更好的收入结果，显著优于现有的贪婪方法。在一项涉及航空公司辅助座位定价的大规模现场实验中，与静态定价策略相比，OCMT-MNL 证明了每位乘客的收入有统计学上的显著增长。
-
扩散模型为选品优化提供新方法
研究人员开发了一个使用引导式离散扩散模型进行选品优化的新框架。该方法将选品表示为二元向量，并采用学习到的反向扩散过程来搜索最优解，避免了显式的组合枚举。该方法结合了奖励引导机制来平衡探索与利用，从而识别出高质量和多样化的选品。这种生成建模范式有望在数据驱动的决策制定中实现可扩展且鲁棒的组合优化。
-
新型DMNL老虎机模型将多样性融入选择预测
研究人员推出了一种多样化多项式Logit（DMNL）情境老虎机，这是一种将多样性融入相关性驱动的选择预测的新型模型。该模型通过将次模多样性函数直接纳入选择概率来解决现有情境老虎机的局限性。为了处理由此产生的组合优化计算上的棘手问题，他们提出了一种名为OFU-DMNL的算法，该算法使用基于乐观UCB的方法进行逐项组合构建。
-
新型适配器将基础模型嵌入离散选择模型，保留经济学逻辑
研究人员开发了一种新颖的两阶段适配器，用于将基础模型与离散选择模型集成，确保经济学逻辑得以保留。该方法将基础模型预测嵌入多项 logit 结构中，并带有符号约束地拟合结构系数，然后应用神经网络校正。该方法保证了边际替代率的保留，并在各种数据集和基础模型上展示了显著的准确性提升，平均提高了 6.4 个百分点，同时保持了成本单调性。
-
新算法优化产品选择和展示位置
研究人员在多项 Logit 选择框架下开发了新的优化产品组合和展示位置的算法。这些算法同时处理乘法和一般位置效应模型，旨在改进现代平台上的决策。所提出的 P2MLE-UCB 和 GP2-UCB 方法在数值实验中实现了遗憾最优的表征，并优于现有基准。