Representing Random Utility Choice Models with Neural Networks
Dieses Paper stellt RUMnets vor, ein auf neuronalen Netzen basierendes diskretes Entscheidungsmodell, das theoretisch jedes Modell der Nutzenmaximierung unter Zufälligkeit approximiert und gleichzeitig eine wettbewerbsfähige Vorhersagegenauigkeit auf realen Datensätzen demonstriert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie stehen vor einem riesigen Verkaufsautomaten, aber anstatt einfach nur einen Knopf zu drücken, müssen Sie erraten, welchen Snack ein Fremder wählen wird – basierend auf tausend winzigen Hinweisen: seiner Stimmung, der Tageszeit, dem Preis der Chips und der Frage, ob er gerade eine Werbung für Limonade gesehen hat. Dies ist das tägliche Rätsel für Unternehmen, von Streaming-Diensten bis hin zu Online-Reisebüros. Sie müssen vorhersagen, was Sie als Nächstes kaufen werden, aber hier liegt die Tücke: Ihre Entscheidung trifft man nicht im luftleeren Raum. Wenn Sie einen bestimmten Film suchen, dieser aber nicht verfügbar ist, geben Sie nicht einfach auf; Sie wählen das nächstbeste Angebot. Dieser „Substitutionseffekt“ bedeutet, dass die Nachfrage nach einem Artikel vollständig von dem abhängt, was sonst noch im Regal steht. Jahrzehntelang haben Experten versucht, dies mithilfe mathematischer Modelle zu lösen, die davon ausgehen, dass Menschen wie rationale Roboter handeln, die den „Nutzen“ (oder die Zufriedenheit) jeder Option berechnen und den Gewinner auswählen. Aber echte Menschen sind chaotisch, und ihre verborgenen Vorlieben sind schwer zu fassen.
Hier kommt die Welt des maschinellen Lernens ins Spiel, in der Computer immer besser darin werden, Muster in riesigen Datenbergen zu erkennen. Die große Frage, die sich Forscher gestellt haben, lautet: Können wir diese superintelligenten Computergehirne nutzen, um Entscheidungen vorherzusagen, ohne dabei die Logik dessen zu opfern, wie Menschen tatsächlich denken? Wenn wir einen Computer einfach blind raten lassen, könnte er bei vergangenen Daten zwar Glück haben, aber bei neuen Situationen kläglich scheitern. Das Ziel ist es, ein Modell zu bauen, das so flexibel wie ein Deep-Learning-Algorithmus ist, aber dennoch die grundlegenden Regeln menschlicher Entscheidungsfindung respektiert.
Dieses Paper stellt ein neues Werkzeug namens RUMnet (Random Utility Model network) vor, um genau dieses Problem zu lösen. Betrachten Sie RUMnet als einen „supergeladenen Verkaufsautomaten-Simulator“. Die Autoren schlagen vor, dass wir, anstatt zu versuchen, eine einzige, perfekte Formel dafür aufzustellen, wie Menschen wählen, uns statlich vorstellen sollten, dass jeder Kunde einen geheimen, verborgenen „Vibe“ oder einen Satz an Vorlieben hat, den wir nicht sehen können. RUMnet nutzt ein neuronales Netz (eine Art Computergehirn), um tausende dieser verschiedenen „Vibes“ gleichzeitig zu simulieren.
So funktioniert es in der Praxis: Stellen Sie sich vor, Sie versuchen vorherzusagen, ob ein Kunde ein rotes oder ein blaues Hemd kaufen wird. Ein Standard-Computermodell würde vielleicht nur auf den Preis schauen und sagen: „Blau ist billiger, also nimmt er Blau.“ Aber RUMnet ist eher wie ein Casting-Direktor, der tausend Auditions durchführt. Es erschafft in seinem Geist tausend verschiedene Versionen des Kunden. In einer Version liebt der Kunde Rot. In einer anderen hasst er Rot, aber nur, wenn es zu teuer ist. In einer dritten möchte er einfach nur zu seinen Schuhen passen. Das Modell lässt die Entscheidung durch all diese verschiedenen „Kunden-Avatare“ laufen, sieht, was jeder einzelne davon wählt, und bildet dann den Durchschnitt der Ergebnisse, um eine endgültige Vorhersage zu treffen. Dieser Ansatz ermöglicht es dem Modell, die chaotischen, verborgenen Gründe zu erfassen, warum Menschen Entscheidungen treffen, während es gleichzeitig der Regel folgt, dass Menschen im Allgemeinen die Option wählen, die ihnen die meiste Zufriedenheit bietet.
Die Forscher testeten diese Idee auf zwei Arten. Zuerst erschufen sie fiktive Welten mit künstlichen Daten, bei denen sie die „Wahrheit“ darüber kannten, wie Menschen theoretisch entscheiden sollten. Sie fanden heraus, dass RUMnet komplexe, nicht-lineare Entscheidungen perfekt imitieren konnte, die einfachere Modelle übersehen hatten, und dass es besonders gut darin war, Situationen zu handhaben, in denen völlig unterschiedliche Kundentypen auch völlig unterschiedliche Geschmäcker hatten. Zweitens testeten sie es mit realen Daten aus zwei sehr unterschiedlichen Quellen: einer Umfrage über Transportentscheidungen in der Schweiz (mit nur drei Optionen wie Zug oder Auto) und einem riesigen Datensatz von Hotel-Suchanfragen von Expedia (mit hunderten von Optionen).
Die Ergebnisse waren vielversprechend. Bei den realen Daten war RUMnet besser darin, vorherzusagen, was Menschen tatsächlich wählten, als viele andere populäre Methoden, einschließlich Standard-Statistikmodellen und sogar einiger „Black-Box“-Maschinelle-Lern-Werkzeuge wie Random Forests. Interessanterweise deutet das Paper darauf hin, dass die „Black-Box“-Methoden bei dem kleinen Schweizer Datensatz zwar ganz ordentlich funktionierten, aber anfingen, völlig unkontrolliert zu agieren und wilde Vermutungen anzustellen, sobald die Anzahl der Auswahlmöglichkeiten riesig wurde (wie beim Expedia-Datensatz). RUMnet hingegen blieb stabil. Die Autoren vermuten, dass dies daran liegt, dass die Struktur von RUMnet es erzwingt, die Logik der Entscheidung zu lernen, anstatt nur Muster auswendig zu lernen, was ihm hilft, besser auf neue, ungesehene Situationen zu generalisieren.
Das Paper ist jedoch vorsichtig damit, dies als Allheilmittel zu bezeichnen. Die Autoren merken an, dass RUMnet rechenintensiver ist und mehr Zeit für das Training benötigt als einfachere Modelle. Sie weisen auch darauf hin, dass es zwar in ihren Tests hervorragend funktioniert, aber kein garantierter Sieg für jedes einzelne Szenario ist. Sie schlagen vor, dass zukünftige Arbeiten diese Architektur nutzen könnten, um Unternehmen dabei zu helfen, zu entscheiden, welche Produkte sie auf Lager legen oder wie sie diese bepreisen; aber im Moment ist die wichtigste Erkenntnis, dass RUMnet einen „Sweet Spot“ bietet: Es ist intelligent genug, um komplexes menschliches Verhalten zu handhaben, aber strukturiert genug, um zuverlässig zu sein. Es ist ein Schritt in Richtung einer besseren computergestützten Verständigung für die chaotische, wunderbare und oft irrationale Art und Weise, wie wir jeden Tag Entscheidungen treffen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.