Embedding Foundation Model Predictions in Discrete-Choice Models with Structural Guarantees
将基础模型预测嵌入具有结构保证的离散选择模型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：摘要直接研究多项 Logit、效用结构、边际替代率和时间价值，明确对应离散选择与结构估计。
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…
将基础模型预测嵌入具有结构保证的离散选择模型
- 研究问题
- 如何利用基础模型提高选择预测准确度，同时满足价格单调性、备选项可用性及支付意愿等经济结构要求？
- 方法与思路
- 作者将预先计算的基础模型选择概率嵌入多项 Logit 效用，先带符号约束估计结构系数，再固定系数训练小型神经校正。
- 材料陈述的贡献
- 摘要称该组合精确保留 Logit 的边际替代率；三组数据、两个基础模型中，平均测试准确率提高 6.4 个百分点并保持成本单调性。
- 阅读关注点
- 应核对校正项如何依赖属性、边际替代率保持的条件与可用性处理，并检查数据划分、基准调参及时间价值计算方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要中的结构保证需核对证明条件，报告的预测提升也不等于因果或福利有效性。
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 can increase predicted demand, implied willingness-to-pay estimates are frequently negative or implausible, and unavailable alternatives receive nonzero probability. We propose a two-stage adapter that takes a foundation model's predicted choice probabilities as a precomputed feature and embeds them inside a multinomial logit's utility. In Stage 1, we fit the multinomial logit's structural coefficients by maximum likelihood with sign constraints; in Stage 2, we freeze those coefficients and fit a small neural correction operating on the foundation model's predictions. We prove that this composition exactly preserves the multinomial logit's marginal rate of substitution, so analytically computable value-of-time becomes a mathematical guarantee rather than an empirical accident. Across three datasets and two foundation models, the adapter gains 6.4 percentage points (pp) of test accuracy on average over the multinomial logit and up to 12.8 pp, maintains 100% cost monotonicity, and produces values of time within the published transportation-economics range on the transportation datasets. Performance degrades gracefully under foundation-model context restriction, retaining at least 6 pp of accuracy gain even at 10% of the original foundation-model context.