Auditing and Fixing Economic Validity in Tabular Foundation Models for Discrete Choice
审计并修复表格基础模型在离散选择中的经济有效性AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以效用最大化选择模型、经济参数约束和支付意愿修复离散选择预测。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
审计并修复表格基础模型在离散选择中的经济有效性
- 研究问题
- 当表格基础模型准确预测选择却违反价格与需求关系、产生不合理支付意愿时，如何兼顾预测准确性与经济理论约束？
- 方法与思路
- 作者先估计满足经济理论参数约束的标准选择模型，再冻结参数，训练吸收基础模型预测信息的修正项，嵌入效用最大化框架。
- 材料陈述的贡献
- 摘要称，该适配器保证政策扰动下的价格需求单调性并提供解析权衡指标；两组交通数据中，相对标准 logit 的准确率最多提高十三个百分点。
- 阅读关注点
- 应核对修正项受哪些约束、单调性保证覆盖何种政策扰动，以及支付意愿计算、准确率比较和经济一致性评价的定义。
- 阅读边界
- 仅据 arXiv 预印本摘要，不能确认同行评审或期刊接收；约束与数据细节未说明，摘要所报准确率增益和一致性不能外推至所有场景。
原文摘要
Tabular foundation models achieve strong accuracy on choice prediction tasks, but their predictions often violate the economic logic those tasks require: raising a price sometimes increases predicted demand, and implied willingness-to-pay estimates are frequently negative or implausible. We propose a two-stage adapter that embeds foundation model predictions within a utility-maximization framework. In the first stage, we estimate a standard choice model whose parameters are constrained to obey economic theory. In the second stage, we freeze those parameters and train a correction term that incorporates the foundation model's predictions as additional information. The result is a model that inherits the foundation model's accuracy gains while guaranteeing monotonic price-demand relationships under policy perturbation and producing analytically computable trade-off measures. On two transportation datasets, the adapter recovers up to 13 percentage points of accuracy over a standard logit model while maintaining perfect economic consistency, something neither the raw foundation models nor conventional distillation achieve.