标签
本文提出了Neural-Bayesian结构学习框架，该框架将可微结构学习与离散选择建模相结合，用于预测选择行为和评估干预措施，在恢复连贯的依赖结构的同时，实现了与现有基准可比的性能。
DraftFM是一个用于预测《万智牌》轮抽选择的基础模型，通过利用卡牌特征和行为数据，实现对新系列的准确初始轮抽。它在保留扩展包上展示了强劲性能，并成功预测了一个未发布的系列。
本文评估了四种机器学习模型在政策偏好诱导中的离散选择建模，使用蒙特卡洛实验和真实能源政策案例研究，以评估在个体异质性和选择复杂性下的性能。
本文提出一种重新表述方法，将表格基础模型（TFMs）应用于离散选择估计，解决了行独立假设的结构性差距。最佳重新表述在留出对数似然上优于层次贝叶斯估计8%，在命中率上优于3.6%，同时运行速度快16倍。
本文提出了一种两阶段适配器，将基础模型预测嵌入到多项逻辑模型中，保留成本单调性和可解释的支付意愿等经济特性，同时将准确率提升高达12.8个百分点。