[論文レビュー] DeepHalo: A Neural Choice Model with Controllable Context Effects

Shuhan Zhang, Zhi Wang+2 more|arXiv (Cornell University)|Jan 8, 2026

Explainable Artificial Intelligence (XAI)被引用数 0

ひとこと要約

DeepHalo モデルはコンテキスト依存の選択を、順序可換なニューラルアーキテクチャを用いて制御可能な相互作用順序で扱い、予測性能と文脈効果に対する解釈可能な洞察を提供する。特徴がない設定における普遍近似器としても機能し、順序による文脈効果の特定を可能にする。

ABSTRACT

Modeling human decision-making is central to applications such as recommendation, preference learning, and human-AI alignment. While many classic models assume context-independent choice behavior, a large body of behavioral research shows that preferences are often influenced by the composition of the choice set itself -- a phenomenon known as the context effect or Halo effect. These effects can manifest as pairwise (first-order) or even higher-order interactions among the available alternatives. Recent models that attempt to capture such effects either focus on the featureless setting or, in the feature-based setting, rely on restrictive interaction structures or entangle interactions across all orders, which limits interpretability. In this work, we propose DeepHalo, a neural modeling framework that incorporates features while enabling explicit control over interaction order and principled interpretation of context effects. Our model enables systematic identification of interaction effects by order and serves as a universal approximator of context-dependent choice functions when specialized to a featureless setting. Experiments on synthetic and real-world datasets demonstrate strong predictive performance while providing greater transparency into the drivers of choice.

研究の動機と目的

• 特徴を用いた選択設定におけるコンテキスト依存（Halo）効果のモデリングを動機付ける。
• _permuta­tion_対称性を保ちつつ、基礎・ペアワイズ・高次成分に効用を分解する。
• 相互作用順序を明示的に制御し、解釈可能性を維持するニューラルアーキテクチャ（DeepHalo）を提案する。
• 特徴がない設定における普遍近似を確立し、合成データと実データでの経験的性能を示す。

提案手法

• 効用分解 u_j(S) を、順序 |T| の相互作用を捉えるSubset寄与 v_j(T) の和として定式化する（0次元ベース効用を含む）。
• 選択肢間の文脈対称性を保証するために permutation equivariance を課し、包含–排斥に基づく構成を用いて u_j(X_S) をサブセットで表現する。
• 層状の相互作用を持つニューラルアーキテクチャを開発する：基盤埋め込み z_j^0 から開始し、1次の文脈要約と頭部ごとの非線形変調を計算して z_j^1 を得る；再帰的に高次層 z_j^l を定義し、集約 ar{Z}^l で最大 l 次までの効果を捉える（式 4–5）。
• 対称的集約を通じて permutation equivariance を保持する；各層を相互作用順の増加として解釈し、表現力と解釈性を制御可能にする。
• 特徴がない設定に特化し、モデルが集合指示 e_S に対する次数 (J−1) の多項式を表現できることを示し、既知の Halo/MNL 系と結びつける；相対的文脈効果 alpha_jk(T)（式 11）による文脈効果の識別について議論する。
• 実データおよび合成データで負の対数尤度（NLL）を用いた文脈効果の推定手続きを提供し、ベースラインと比較する。

(b) Relative Halo effect

実験結果

リサーチクエスチョン

• RQ1 特徴を有する場合に DeepHalo は文脈依存の選択を正確に予測できるか。
• RQ2 相互作用順序の明示的な制御は、絡み合ったアーキテクチャと比較して予測性能と解釈性を改善するか。
• RQ3 高次相互作用のためのモデル深さ（順序）と予測精度のトレードオフはどうなるか、特に高次相互作用の場合。
• RQ4 観測された選択データから文脈効果は識別・推定可能か（例：相対文脈効果で）。
• RQ5 特徴を持つ実データセットは、第一次または特徴なしのベースラインと比べて高次の文脈モデリングの恩恵を受けるか。

主な発見

• DeepHalo は、ホテル、SFOshop、SFOwork データセットの訓練・テスト NLL で他モデルより最も低い値を示す。
• 真の順序が ≤2 の合成データでは、順序2制約付き DeepHalo が MLP+Trunc を上回り、完全順序 DeepHalo や高次順序を持つ DeepHalo は高次相互作用をより適切に捉える；SFOshop では k=2 の DeepHalo と完全順序がほぼ同一の NLL を示す。
• 建築的深さを約5層程度まで増やすと合成実験で RMSE が大幅に低下し、それ以上は選択集合サイズが許容する相互作用順序の制約により利得が小さくなる。
• 特徴量豊富なデータセット（LPMC と Expedia）では、DeepHalo は文脈非依存および多くの文脈認識ベースラインより一貫して低いテスト NLL を達成し、可制御の高次相互作用を用いた文脈モデリングの価値を示す。
• 後付の MLP の相互作用を切り捨てる代わりに、DeepHalo は相互作用順序を直接制約し、常により良いまたは同等の適合を達成することを示し、明示的な順序制御の利点を強調する。

(a) Depth vs. RMSE