文献

J-GLOBAL ID：202202259706395925   整理番号：22A0686249

Gauss過程潜在クラス選択モデル【JST・京大機械翻訳】

Gaussian process latent class choice models

著者 (3件)： Sfeir Georges (DTU Management Engineering, Transport DTU, Technical University of Denmark, Kgs. Lyngby 2800, Denmark) ,  Rodrigues Filipe (DTU Management Engineering, Transport DTU, Technical University of Denmark, Kgs. Lyngby 2800, Denmark) ,  Abou-Zeid Maya (American University of Beirut, Beirut, Riad el Solh 1107 2020, Lebanon)
資料名： Transportation Research. Part C. Emerging Technologies  (Transportation Research. Part C. Emerging Technologies)
巻： 136  ページ： Null  発行年： 2022年 
JST資料番号： W0534A  ISSN： 0968-090X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 離散選択モデル(DCM)内の確率的機械学習のノンパラメトリッククラスを統合するために,Gaussプロセス-潜在クラス選択モデル(GP-LCCM)を提示した。Gaussプロセス(GP)は,パラメータ上の事前よりも潜在関数上の事前確率を仮定することにより,エキスパート知識を組み込んだカーネルベースアルゴリズムであり,非線形問題に対処するのにそれらをより柔軟にする。LCCM構造内のGauss過程を統合することにより,非観測不均一性の離散表現の改善を目的とする。提案モデルは,GPを用いて行動的に均一なクラスタ(ラテントクラス)に確率的に個人を割り当て,ランダム効用モデルに依存するクラス特異的選択モデルを同時に推定する。さらに,Laplace近似と勾配ベース数値最適化法に頼ることで,GPカーネル関数とクラス固有選択パラメータのハイパーパラメータを同時に推定/推論するために,期待値最大化(EM)アルゴリズムを導出し実装した。モデルを2つの異なるモード選択アプリケーションで試験し,異なるLCCMベンチマークと比較した。結果は,GP-LCCMが不均一性のより複雑で柔軟な表現を可能にし,サンプル内適合とサンプル外予測力の両方を改善することを示した。さらに,行動と経済解釈性は,クラス固有の選択モデルレベルで維持され,一方,GPのノンパラメトリック特性はモデルの透明性を少なくするが,潜在クラスの局所解釈はまだ達成可能である。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  確率 ,  *Gauss過程 ,  近似法 ,  ノンパラメトリック法 ,  事前確率 ,  クラスタ ,  応用プログラム ,  *モデル ,  ベンチマーク ,  機械学習
準シソーラス用語： EMアルゴリズム ,  Kernel関数 ,  *選択モデル ,  ハイパーパラメータ , 【Automatic Indexing@JST】

著者キーワード (5件)： 離散選択モデル ,  潜在クラス選択モデル ,  機械学習 ,  Gauss過程 ,  EMアルゴリズム

分類 (2件)： システム・制御理論一般  (IA02010H) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： Gauss過程 ,  潜在クラス ,  選択モデル