[論文レビュー] Pairwise Choice Markov Chains

Stephen Ragain, Johan Ugander|arXiv (Cornell University)|Mar 8, 2016

Economic and Environmental Valuation参考文献 34被引用数 5

ひとこと要約

本稿では、選択集合上の連続時間マーカフチェインの定常分布を用いて選択確率を定義する、柔軟で推論的に取り扱いやすい離散的選択モデルであるペアワイズ選択マーカフチェイン（PCMC）モデルを紹介する。MNL や MMNL のような伝統的なモデルとは異なり、PCMC はルーソーの選択公理、確率的推移性、正規性を仮定しないが、より弱い均一拡張性を満たしており、予測精度が著しく向上する。実世界のデータセット SFwork と SFshop において、それぞれ MNL より 36.2% および 46.5% の誤差低減を達成している。

ABSTRACT

As datasets capturing human choices grow in richness and scale -- particularly in online domains -- there is an increasing need for choice models that escape traditional choice-theoretic axioms such as regularity, stochastic transitivity, and Luce's choice axiom. In this work we introduce the Pairwise Choice Markov Chain (PCMC) model of discrete choice, an inferentially tractable model that does not assume any of the above axioms while still satisfying the foundational axiom of uniform expansion, a considerably weaker assumption than Luce's choice axiom. We show that the PCMC model significantly outperforms the Multinomial Logit (MNL) model in prediction tasks on both synthetic and empirical datasets known to exhibit violations of Luce's axiom. Our analysis also synthesizes several recent observations connecting the Multinomial Logit model and Markov chains; the PCMC model retains the Multinomial Logit model as a special case.

研究の動機と目的

• Luceの選択公理、確率的推移性、正規性といった制限的な公理を回避できる離散的選択モデルの開発を目的とする。これらの公理はしばしば実世界のデータで破られる。
• 従来の公理を緩和しながらも、複雑で非正規な選択行動を柔軟にモデル化しつつ、推論の取り扱いやすさを維持することを目的とする。
• PCMC モデルが、伝統的な公理を仮定しないにもかかわらず、均一拡張性と呼ばれる基本的な構造的制約を満たすことを示すこと。
• PCMC モデルが、Luceの公理の違反が確認された合成的および実世界のデータセットにおいて、MNL や混合 MNL（MMNL）よりも優れた予測性能を示すことを示すこと。
• マーカフチェインと離散的選択モデルとの間の原理的関係を確立し、MNL モデルを PCMC の特別な場合として一般化すること。

提案手法

• PCMC モデルは、各選択集合 S に対して、全組み合わせの代替品のインデックスでインデックス付けられたグローバルなレート行列 Q から導出される遷移レート行列 Q_S を持つ連続時間マーカフチェイン（CTMC）の定常分布として選択確率を定義する。
• Q 内の遷移レート q_ij は、代替品 i と j 間のペアワイズの好ましさの強度を表し、q_ij > 0 であれば i が j より好まれることを示す。
• 代替品 i の選択確率 p_iS は、Q_S で定義される CTMC における i の定常確率質量として計算される。
• モデルは Q の非対角成分によってパrameter化されており、勾配ベースの最適化を用いた最尤推定が可能である。
• このモデルは MNL モデルを一般化する：Q が BTL ペアワイズ確率から導かれる場合、PCMC は MNL に簡約される。
• PCMC モデルは、収縮性—選択理論における考察実験に由来する新しい構造的性質—を満たしており、これは均一拡張性を意味し、標準的公理を緩和しても理論的根拠を提供する。

実験結果

リサーチクエスチョン

• RQ1 Luceの選択公理、確率的推移性、正規性を回避できるが、推論的に取り扱いやすい離散的選択モデルを構築できるか？
• RQ2 PCMC モデルは、MNL や取り扱いにくいモデルでのみ成り立つ、重要な構造的制約である均一拡張性を満たすか？
• RQ3 Luceの公理の違反が確認されたデータセットにおいて、PCMC モデルは MNL や MMNL よりどれほど予測精度が向上するか？
• RQ4 PCMC モデルとランダムユーティリティモデル（RUMs）との関係は何か？また、PCMC が RUM であるための Q に関する条件は何か？
• RQ5 非推移的ペアワイズ選択モデル（例：Blade-Chest）を用いて、PCMC モデルを効果的にパラメータ化することで、パラメータ数を削減しつつも予測力は維持できるか？

主な発見

• SFwork データセットにおいて、75% のデータで学習した場合、PCMC モデルは MNL より 36.2% の予測誤差低減、MMNL より 24.4% の誤差低減を達成した。
• SFshop データセットでは、同様の学習条件で MNL より 46.5%、MMNL より 31.7% の誤差低減が得られた。
• モデルは非推移的選択パターンを効果的に捉えている：SFwork では最大 8 個のサイクルトリプレットのうち 2 個、SFshop では 20 個のうち 6 個が観察され、確率的推移性の非自明な違反が示された。
• PCMC モデルは、Luceの選択公理や正規性を仮定しないにもかかわらず、均一拡張性という基本的な構造的制約を満たしている。
• PCMC モデルは MNL モデルを一般化する：ペアワイズレートが BTL モデルから導かれる場合、CTMC の定常分布は MNL 選択確率を回復する。
• モデルは収縮性—選択理論における考察実験に由来する新規な性質—を満たしており、これは均一拡張性を意味し、構造的頑健性の理論的根拠を提供する。