PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.11920v1econ.EM

주관적 기대 효용 최대화에 대한 민감도: 방법론 연구 및 LLM 의사결정에 대한 예시 적용

Sensitivity to Subjective Expected Utility Maximization: A Methodological Study, with an Illustrative Application to LLM Decision-Making

불확실성 하에서 내린 결정을 평가하기는 라벨이 붙은 결과가 희소하거나, 비용이 크거나, 운에 의해 교란될 때 어렵다. 우리는 주관적 기대 효용(SEU) 최대화를 명시된 기준으로 간주하고, 에이전트가 이에 부합하는 정도를 나타내는 단계적 척도인 SEU 민감도를 정의한다. 이를 위한 수단은 SEU 값을 갖는 대안들에 민감도 매개변수 $α$를 둔 소프트맥스 선택 모델이며, 기여는 $α$ 및 신념·효용 매개변수 $(β, δ)$에 대한 일련의 식별 가능성 결과로, Stan에서 사전 예측 검사, 매개변수 복원, 시뮬레이션 기반 보정(SBC)을 통해 검증되었고 유한 표본 한계는 그대로 유지된다. 불확실 선택만 있는 모델 $m_0$에서 $α$는 기대 효용 벡터 $η$가 주어지면 식별 가능하며 선명하게 복원되지만, $(β, δ)$는 약하게만 정보를 얻는다: 사후분포는 거의 수축하지 않으며 $β$-$δ$ 절충에 집중된다. 확장 모델 $m_1$에서 $δ$는 원칙적으로 $β$가 없는 위험 블록을 통해 식별 가능해지지만, 현실적인 표본 크기에서의 실질적 복원 이득은 무시할 만하다(동일 개수 기준 신뢰구간 폭 감소 1% 미만), 그리고 그 블록은 동일 선택 개수에서 검출된 $α$ 정밀도 이득을 제공하지 않는다. 이 둘은 서로 다른 현상이다: $δ$의 경우 식별 가능성이 현실적인 $n$에서 정밀한 추정 가능성을 함의하지 않으며, $α$의 경우 식별 가능성은 유한 $n$ 정밀도를 지배하는 요인에 대해 말하지 않는다. 두 모델 모두에서 공동 사후분포가 약하게 정보를 얻는 경우에도 한계 SBC는 통과한다 — 우리가 정밀히 구분하는 경계이다. 2×2 적용(GPT-4o와 Claude 3.5 Sonnet 각각에 대해 보험 청구 분류와 엘스버그 스타일 도자기 문제, 샘플링 temperature를 조작 변수로)이 실제 LLM 선택 데이터에서 처음부터 끝까지 실행되어, 네 셀 중 두 셀에서 구조화된 비교적 $α$ 효과를 검출한다.

arXiv:2607.09817v1cs.LG

패널 데이터를 활용한 마르코프 연쇄 선택 모델의 추정, 예측 및 구색 최적화

Estimation, Prediction, and Assortment Optimization for Markov Chain Choice Models with Panel Data

우리는 매개변수 추정, 개인화된 선택 예측 및 개인화된 구색 최적화를 포함하는 패널 데이터를 활용한 마르코프 연쇄(MC) 선택 모델 프레임워크를 제안한다. 각 거래가 확률 효용 모델로부터 독립적으로 추출된다고 가정하는 전통적인 설정과 달리, 우리의 프레임워크는 이력 데이터에서 동일 고객의 거래들 간의 의존성을 부분 순서 선호 정보로 포착하여 반영한다. 저자들이 아는 한, 본 프레임워크는 MC 하에서 패널 데이터를 활용한 선택 모델링 연구를 최초로 시작한다. 주요 결과로서, 우리는 부분 순서 기반 고객 선호 정보를 통합하여 MC 매개변수 추정을 위한 새로운 기댓값 최대화(EM) 알고리즘을 제안한다. 합성 데이터셋과 sushi 데이터셋에서, 우리의 EM 알고리즘은 Simsek and Topaloglu(Operations Research, 66, 2018)의 전통적인 EM 알고리즘과 Jagabathula and Vulcano(Management Science, 64, 2018)에서 응용한 다항 로짓 기반 부분 순서 벤치마크를 능가한다. 부차적인 기여로서, 조건부 선택 예측 및 구색 최적화 문제에 대한 계산 복잡도 및 계산 결과를 제시한다. 이러한 결과들은 우리의 추정 프레임워크를 보완하고, 독립적인 관심사가 될 수 있는 조건부 선택 및 구색 최적화의 계산적 지형을 명확히 한다.