PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2207.12877v3cs.LG공식 코드 · Papers with Code

신경망을 활용한 확률적 효용 선택 모델의 표현

Representing Random Utility Choice Models with Neural Networks

심층 학습(deep learning)의 성공에 착안하여, 본 논문에서는 확률적 효용 극대화(RUM) 프레임워크에서 영감을 받은 신경망(neural network) 기반 이산 선택 모델 클래스인 RUMnet을 제안합니다. 이 모델은 표본 평균 근사법(sample average approximation)을 사용하여 에이전트의 확률적 효용 함수를 정식화합니다. 우리는 RUMnet이 RUM 이산 선택 모델 클래스를 엄밀하게 근사함을 보입니다. 즉, 확률적 효용 극대화에서 도출된 모든 모델의 선택 확률은 RUMnet을 통해 임의로 가깝게 근사될 수 있습니다. 역으로, 모든 RUMnet은 RUM 원리와 일치합니다. 우리의 접근 방식은 이전 문헌에서 제안된 순위 기반 모델 및 다항 로짓 혼합(mixtures of multinomial logits)과 밀접하게 관련되어 있으며, 이를 보다 일반적인 문맥 설정으로 확장합니다. 또한 선택 데이터에 적합된 RUMnet의 일반화 오차에 대한 상한을 유도하고, 데이터셋(dataset) 및 아키텍처의 핵심 매개변수에 따라 새롭고 보지 못한 데이터에 대한 선택을 예측하는 능력에 관한 이론적 통찰을 제공합니다. 모델은 신경망 학습(training)을 위한 오픈 소스 라이브러리를 활용하여 추정됩니다. 두 가지 실제 데이터셋에서 예측 정확도 측면을 평가한 결과, RUMnet이 여러 선택 모델링 및 머신러닝 기법들과 비교해 경쟁력이 있음을 확인했습니다. 아울러 아키텍처 각 구성 요소의 효과를 분리하여 검증하는 합성 실험도 수행합니다.