Amortized Inference for Correlated Discrete Choice Models via Equivariant Neural Networks
通过等变神经网络实现相关误差离散选择模型的摊销推断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：摘要直接研究相关随机效用误差下的选择概率、替代模式及最大似然估计，因此归入离散选择。
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…
关注这篇论文的作者
通过等变神经网络实现相关误差离散选择模型的摊销推断
- 研究问题
- 如何在允许效用误差相关及一般误差分布的离散选择模型中，快速计算选择概率与导数，并支持可靠的似然估计？
- 方法与思路
- 作者训练遵守离散选择不变性的神经网络模拟器，用 Sobolev 训练同时匹配概率与梯度，再用于最大似然估计。
- 材料陈述的贡献
- 摘要称，作者给出通用逼近、估计一致性与渐近正态性结果，并构造伪真参数标准误；模拟报告相对 GHK 的精度与速度改善。
- 阅读关注点
- 应核对不变特征是否充分、近似误差随样本量变化的要求，以及梯度误差和训练成本如何进入估计与计算比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未列出近似条件及模拟配置，不能据此确认任意误差分布下的有效性。
原文摘要
Discrete choice models are fundamental tools in management science, economics, and marketing for understanding and predicting decision-making. Logit-based models are dominant in applied work, largely due to their convenient closed-form expressions for choice probabilities. However, they impose restrictive assumptions on the stochastic utility component, constraining our ability to capture realistic substitution patterns. We propose an amortized inference approach that relies on a neural network emulator to approximate choice probabilities for general error distributions, including those with correlated errors. We develop a specialized neural network architecture designed to respect the invariance properties of discrete choice models. We provide group-theoretic foundations for the architecture, including a proof of universal approximation given a minimal set of invariant features. Once trained, the emulator enables rapid likelihood evaluation and gradient computation. We use Sobolev training, augmenting the likelihood loss with a gradient-matching penalty, so that the emulator learns both choice probabilities and their derivatives. We show that emulator-based maximum likelihood estimators are consistent and asymptotically normal under mild approximation conditions, and we provide sandwich standard errors that remain valid for a psuedo-true parameter even with imperfect likelihood approximation. Simulations show significant gains over the GHK simulator in accuracy and speed.