RUMBoost: 梯度提升的随机效用模型
原文中文,约300字,阅读约需1分钟。发表于: 。该论文介绍了 RUMBoost 模型,这是一种新的离散选择建模方法,它结合了随机效用模型(RUMs)的可解释性和行为鲁棒性与深度学习方法的泛化能力和预测能力。
本研究提出了一种新颖灵活的基于排名打破的复合边际似然 (RBCML) 框架,用于学习随机效用模型 (RUMs),包括 Plackett-Luce 模型,并利用证明严格对数凹性在卷积和边际化下得以保持的方法,表征了 RBCML 的目标函数为严格对数凹性的条件,进一步表征了 RBCML 满足一致性和渐近正态的必要和充分条件。在合成数据上进行的实验表明,高斯 RUMs 的 RBCML 比最先进的算法的统计效率和计算效率更好,而我们针对 Plackett-Luce 模型的 RBCML 提供了灵活的运行时间和统计效率的权衡。