.png){kind=icon}
返回
Active Learning for Nonparametric Choice Models
.png){kind=icon}
PRE
AI
DOI：10.1287/opre.2022.0397.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们研究了基于消费者决策主动学习非参数选择模型的问题。我们提出一个否定性结果，表明此类选择模型可能无法被识别。为克服识别问题，我们引入了选择模型的定向无环图（DAG）表示。这种表示方式可证明编码了从可用数据中可推断出的关于选择模型的所有信息，因为它允许计算所有选择概率。我们证明了，给定一组物品集合的确切选择概率，可以重建该DAG。然而，尝试将此方法扩展以从主动学习过程中获得的含噪声的选择频率数据估计DAG会导致不准确。为应对这一挑战，我们提出了一种包含-排除方法，该方法有效管理了DAG层级间的误差传播，从而更准确地估计DAG。利用此技术，我们的算法估计了潜在非参数选择模型的DAG表示。当频繁排序集合均匀随机抽取时，该算法高效运行（多项式时间）。它通过主动且重复地提供物品组合并观察所选物品，学习频繁偏好类型中最受欢迎物品的分布。我们证明，与相应的非主动学习估计算法相比，我们的算法在合成数据集和公开消费者偏好数据集上更有效地恢复频繁偏好集合。这些发现强调了我们的算法价值以及主动学习范式在消费者行为建模中的更广泛应用。
Keyword:
active learning
nonparametric choice models
preference learning
directed acyclic graphs (DAGs)
identifiability
polynomial-time algorithms
期刊
O
IF:
2.6
论文数:
97
被引数:
1.5W
.png){kind=icon}
查看更多内容