Support vector decision making
支持向量决策方法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。
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：摘要讨论效用导向的二元行动学习，未明确估计离散选择行为模型或因果政策效应，现有细分证据不足。
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
支持向量决策方法
- 研究问题
- 当二元行动的效用取决于协变量和最终二元结果时，如何设计支持向量机，使预测服务于期望效用最大化？
- 方法与思路
- 作者将最优阈值函数作为受符号约束的特殊协变量，采用依赖效用的损失，并允许不同结果类别具有不同间隔。
- 材料陈述的贡献
- 摘要称，该方法在最大效用准则下具有贝叶斯一致性和有限样本泛化界，模拟显示其在所考察机制下表现较好。
- 阅读关注点
- 应核对效用函数如何转化为阈值和损失、符号约束的作用，以及一致性与泛化界的条件和模拟比较设置。
- 阅读边界
- 摘要未说明函数类、正则化选择和效用信息来源，模拟表现不能外推至所有决策问题；仅依据所给出版社摘要版本。
原文摘要
The paper develops a support vector machine (SVM) for binary decision-making within a utility framework. Given an information set, a decision-maker first predicts a binary outcome and then selects a binary action based on this prediction to maximize expected utility, where the utility function can depend on the action taken, observable covariates, and the binary outcome subsequently realized. The proposed maximum utility SVM differs from the traditional SVM in four key aspects. First, as a conceptual innovation, it incorporates the optimal cutoff function as a separate and special covariate. Second, there is a sign restriction on this special covariate. Third, it accounts for the dependence of the utility-induced loss on both the covariates and the binary outcome. Finally, it allows the margin to differ across different classes of outcomes. The paper proves that the proposed method is Bayes-consistent under the maximum utility criterion and establishes a finite-sample generalization bound. A simulation study shows that the proposed method outperforms existing methods under the data-generating processes considered in the literature.