抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
研究者は,しばしば,旅行行動解析における2つの異種または矛盾する方法として,データ駆動および理論駆動モデルを扱う。しかし,2つの方法は,データ駆動法がより予測可能であるが,より解釈不可能でロバストであるが,理論駆動法はより解釈可能でロバストであるが,予測が少ないため,非常に相補的である。それらの相補的性質を用いて,本研究は,それらの共有効用解釈に基づいて,離散選択モデル(DCM)と深層ニューラルネットワーク(DNN)を協力する,理論ベースの残差ニューラルネットワーク(TB-ResNet)フレームワークを設計した。TB-ResNetフレームワークは,DCMsの単純さとDNNの豊かさを利用するために(δ,1-δ)重み付けを使用し,DCMsとDNNsからの過剰適合を防ぐため,単純である。また,このフレームワークは柔軟である:TB-ResNetの3つのインスタンスは,多項ロジットモデル(MNL-ResNets),展望理論(PT-ResNets),および双曲線割引(HD-ResNets)に基づいて設計され,3つのデータセットでテストされる。純粋なDCMと比較して,TB-ResNetはより大きな予測精度を提供し,TB-ResNetsにおけるDNN成分によって増大した効用関数により,より豊富な行動メカニズムを明らかにした。純粋なDNNと比較して,TB-ResNetは,TB-ResNetにおけるDCM成分が効用関数と入力勾配を安定化させるので,予測とロバスト性を著しく改良し,解釈とロバスト性を著しく改善できる。全体として,本研究は,TB-ResNetフレームワークの下でそれらのユーティリティ仕様を結合することによって,DCMとDNNを協力するのが実行可能で望ましいことを示した。いくつかの限界が残っているが,このTB-ResNetフレームワークは,予測,解釈,およびロバスト性における共同改善と共に,旅行行動モデリングのためのDCMとDNNの間の相互利益を作り出すための重要な第一段階である。【JST・京大機械翻訳】