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.
이산 선택 분야에서 심층 학습 모델의 해석 가능성 부족, 불안정한 파라미터 추정, 불확실성 정량화 문제를 해결하기 위해 SGLD(Stochastic Gradient Langevin Dynamics)와 같은 근사 베이지안 추론과 통합되도록 설계된 새로운 딥러닝 아키텍처를 제안한다. 데이터가 부족한 환경에서는 행동 이론 기반 가설로 수렴하여 과적합을 방지하고, 데이터가 충분할 때는 복잡한 비선형 관계를 포착하는 유연성을 유지함을 뉴욕시 교통수단 선택 및 스위스 기차 선호도 데이터 사례 연구로 검증하였다.
문제 정의: 본 논문은 번들 판매 데이터로부터 소비자 선호도를 추정하는 문제를 연구한다. 상품 번들링(product bundling)은 소매 시장에서 널리 사용되는 가격 책정 전략이다. 판매자가 수익성 있는 번들 구성과 가격을 설정하려면 거래 데이터로부터 개별 상품에 대한 소비자의 가치 평가 분포를 학습해야 한다. 고객이 번들이나 여러 상품을 구매하는 경우, 이산 선택 모델(discrete choice model)과 같은 고전적 방법으로는 소비자의 가치 평가를 추정할 수 없다. 본 논문에서는 번들 판매 데이터를 활용하여 상품에 대한 소비자의 가치 평가 분포를 학습하는 방법론을 제안한다. 방법론/결과: 제안 방법은 고객 선택에 대한 효용 모델을 정의하고, 거래 데이터가 관측될 가능도를 최대화하는 가치 평가 분포의 파라미터를 추정하는 것이다. 이 문제는 고객의 가치 평가 공간에서 다면체(polyhedral) 영역으로 중도절단된 표본에 대한 추정 문제로 환원된다. EM 알고리즘과 몬테카를로 시뮬레이션을 이용하여 소비자의 가치 평가 분포를 복원할 수 있다. 또한 관측되지 않은 미구매를 허용하고, 군집화된 시장 세그먼트를 고려하며, 시너지 효과를 포함한 비가산적 번들 효용을 반영하도록 프레임워크를 확장한다. 아울러 확률 모델의 식별 가능성(identifiability)과 EM 알고리즘의 국소 수렴에 대한 충분 조건에 관한 이론적 결과를 제시한다. 나아가 합성 및 실제 데이터셋을 이용한 수치 실험을 통해 방법론의 성능을 검증한다. 경영적 시사점: 본 연구는 번들 판매 거래 데이터를 활용하여 고객 선호도를 학습하는 과정의 어려움을 보여준다. 제안된 알고리즘은 소매업자들에게 실용적인 지침을 제공한다.