An Interpretable Determinantal Choice Model for Subset Selection

要約

提供されたセットからアイテムのサブセットがどのように選択されるかを理解することは、品揃え計画、ワイヤレス ネットワーク計画、および他の多くのアプリケーションにとって重要です。
アイテム間の依存関係を捉える、一見無関係に見えるサブセット選択モデルが 2 つあります。直観的で解釈可能なランダム ユーティリティ モデルです。
および扱いやすい決定点プロセス (DPP)。
この論文は両者を結びつけます。
まず、すべての DPP がランダムな実用新案であることが示されています。
次に、両方の長所を享受する決定的な選択モデルが指定されます。
このモデルは、依存性が最小の場合はロジスティック回帰を包含し、依存性が最大に負の場合は MNL を包含することが示されています。
これにより、DPP の扱いやすさを維持しながら、モデルが解釈可能になります。
シミュレーション研究により、モデルがデータから負の依存関係の連続体を学習できることが検証され、元の実験データを使用した応用研究により、LoRa ネットワークにおけるワイヤレス干渉に関する新しい洞察が得られます。

要約(オリジナル)

Understanding how subsets of items are chosen from offered sets is critical to assortment planning, wireless network planning, and many other applications. There are two seemingly unrelated subset choice models that capture dependencies between items: intuitive and interpretable random utility models; and tractable determinantal point processes (DPPs). This paper connects the two. First, all DPPs are shown to be random utility models. Next, a determinantal choice model that enjoys the best of both worlds is specified; the model is shown to subsume logistic regression when dependence is minimal, and MNL when dependence is maximally negative. This makes the model interpretable, while retaining the tractability of DPPs. A simulation study verifies that the model can learn a continuum of negative dependencies from data, and an applied study using original experimental data produces novel insights on wireless interference in LoRa networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google