[論文レビュー] Choice modelling in the age of machine learning

Sander van Cranenburgh, S. Wang+3 more|arXiv (Cornell University)|Jan 1, 2021

Forecasting Techniques and Applications参考文献 112被引用数 9

ひとこと要約

本稿は、理論駆動型とデータ駆動型のパラダイムを比較することで、機械学習の選択モデルへのより深い統合を提唱しており、両者の調和を特定し、機械学習がモデルの柔軟性とデータ処理能力（特にテキストや画像入力の処理）を向上させる一方で、伝統的なモデルの解釈可能性と理論的基盤を維持する、ハイブリッド型の将来像を提案している。

ABSTRACT

Since its inception, the choice modelling field has been dominated by theory-driven models. The recent emergence and growing popularity of machine learning models offer an alternative data-driven approach. Machine learning models, techniques and practices could help overcome problems and limitations of the current theory-driven modelling paradigm, e.g. relating to the ad-hocness in search for the optimal model specification, and theory-driven choice model's inability to work with text and image data. However, despite the potential value of machine learning to improve choice modelling practices, the choice modelling field has been somewhat hesitant to embrace machine learning. The aim of this paper is to facilitate (further) integration of machine learning in the choice modelling field. To achieve this objective, we make the case that (further) integration of machine learning in the choice modelling field is beneficial for the choice modelling field, and, we shed light on where the benefits of further integration can be found. Specifically, we take the following approach. First, we clarify the similarities and differences between the two modelling paradigms. Second, we provide a literature overview on the use of machine learning for choice modelling. Third, we reinforce the strengths of the current theory-driven modelling paradigm and compare this with the machine learning modelling paradigm, Fourth, we identify opportunities for embracing machine learning for choice modelling, while recognising the strengths of the current theory-driven paradigm. Finally, we put forward a vision on the future relationship between the theory-driven choice models and machine learning.

研究の動機と目的

• 理論駆動型選択モデルの限界を克服する可能性を有する機械学習の導入に対する分野のためらいを解消すること。
• 理論駆動型選択モデルと機械学習アプローチの間の違いと調和を明確にすること。
• テキストや画像などの複雑なデータタイプの処理において、機械学習が選択モデルをどのように強化できるかを具体的に同定すること。
• 伝統的なモデルの解釈可能性と理論的基盤の価値を強化しつつ、バランスの取れた統合的未来を提言すること。

提案手法

• 仮定、解釈可能性、データ要件に焦点を当てた、理論駆動型と機械学習モデリングパラダイムの比較分析。
• さまざまな分野における選択モデルにおける機械学習の既存応用を網羅的にレビューする文献レビュー。
• 構造的な比較を通じて、伝統的モデルの理論的整合性と機械学習のデータ柔軟性といった両パラダイムの主な強みを特定。
• 機械学習手法を、代替ではなく補完的役割として伝統的選択モデルに統合する、ハイブリッドモデリングのビジョンを提言。
• 機械学習がモデル仕様、データ処理、予測性能の改善にどのように寄与できるかをマッピングする概念的フレームワークの使用。
• 特に特徴工学と選択データ内の非線形パターン同定に機械学習を活用する、メソドロジカル統合の強調。

実験結果

リサーチクエスチョン

• RQ1 理論駆動型選択モデルと機械学習モデルの仮定と構造には、どのような相違があるか？
• RQ2 機械学習手法は、テキストや画像などの非伝統的データを扱う際、どのように選択モデルの仕様と性能を向上させられるか？
• RQ3 現在の理論駆動型選択モデルの主な制限は何であり、それが機械学習によってどのように克服できるか？
• RQ4 データ駆動型の機械学習手法を統合する際、伝統的モデルの解釈可能性と理論的基盤をどのように維持できるか？
• RQ5 両パラダイムの長所を最適に組み合わせられる、将来のモデルアーキテクチャはどのようなものか？

主な発見

• 機械学習モデルは、テキストや画像のような複雑で高次元のデータを処理する点で顕著な利点を有しており、伝統的な理論駆動型モデルが苦手としている分野である。
• 現在の理論駆動型パラダイムはしばしば恣意的なモデル仕様プロセスに苦しんでおり、これは機械学習による自動特徴抽出やハイパーパramータチューニングによって緩和可能である。
• データ駆動型の性質を持つにもかかわらず、SHAP や LIME といった技術を活用することで、機械学習モデルは解釈性を向上させられ、選択モデルの解釈性要件に部分的に適合可能である。
• 選択モデルへの機械学習の統合は、理論駆動型モデルの代替ではなく、特にモデル発見とデータ前処理において補完的かつ強化的役割を果たすものである。
• 機械学習がデータの複雑さと非線形性を処理する一方で、理論駆動型モデルが解釈可能性と因果推論を保証する、ハイブリッド型の将来的なモデルは実現可能かつ有益である。
• 選択モデルにおける機械学習の文献は増加傾向にあり、その潜在的価値への認識が高まっているが、主流の選択モデル研究においては完全な統合はまだ十分に検討されていない。