Tabular Foundation Models for Discrete Choice Estimation
用于离散选择估计的表格基础模型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：摘要以消费者离散选择和需求估计为核心，直接处理选择集与偏好异质性。
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…
用于离散选择估计的表格基础模型
- 研究问题
- 依赖上下文学习的表格基础模型如何适应离散选择中的选择集依赖和持续偏好异质性，其预测表现在哪些数据规模下改善？
- 方法与思路
- 作者将选择集依赖与个体异质性编码进逐行学习框架，在酸奶扫描面板中比较预测表现，并考察总体选择数据微调的作用。
- 材料陈述的贡献
- 摘要称，个体异质性编码是预测改善的主要来源，最佳改写在留出似然和命中率上优于所比较的层级贝叶斯方法，且运行更快。
- 阅读关注点
- 应核对行内编码如何保留选择集结构、训练与留出样本如何划分，以及贝叶斯基准、运行时间和消费者历史长度的比较口径。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收。摘要中的优势来自特定酸奶数据与比较设计，尚不能判断结构参数识别或跨市场外推能力。
原文摘要
Tabular foundation models (TFMs) generate predictions on structured data via in-context learning, without task-specific estimation. We ask whether TFMs can be effectively applied to discrete choice, a central demand estimation framework in marketing and operations, and find that directly applying TFMs yields limited performance. The gap is structural: TFMs assume row-independent observations, whereas discrete choice is inherently set-valued and subject to persistent consumer preference heterogeneity. We propose a reformulation that encodes both choice-set dependence and individual heterogeneity within a row-based learning framework. Evaluated on a yogurt scanner panel, individual-level heterogeneity encoding is the dominant driver of predictive accuracy. The best reformulation outperforms hierarchical Bayesian estimation on both holdout log-likelihood and hit rate, running 16 times faster, a practical advantage for large-scale demand estimation. The advantage is largest in the medium-data regime (10--40 purchase occasions per consumer), where parametric Bayesian shrinkage most distorts estimates for atypical consumers. Fine-tuning on population choice data provides additional gains for consumers with shallow purchase histories, where in-context learning has limited individual-specific signal to condition on. These results establish a principled approach for applying foundation models to consumer choice problems more broadly.