이산 선택 문제에 대한 표 형식 기반 모델의 경제적 타당성 감사 및 수정

Auditing and Fixing Economic Validity in Tabular Foundation Models for Discrete Choice

표 형식 기반 모델은 선택 예측 작업에서 높은 정확도를 달성하지만, 이들의 예측은 종종 해당 작업에 필요한 경제 논리를 위반합니다. 예를 들어, 가격 인상이 때때로 예측된 수요를 증가시키고, 유도되는 구매 의향 추정치는 빈번하게 음수이거나 비현실적입니다. 본 연구에서는 기반 모델의 예측을 효용 극대화 프레임워크 내에 통합하는 두 단계 어댑터를 제안합니다. 첫 번째 단계에서는 경제 이론을 준수하도록 제한된 매개변수를 가진 표준 선택 모델을 추정합니다. 두 번째 단계에서는 이러한 매개변수를 고정하고, 기반 모델의 예측을 추가 정보로 활용하여 수정 용어를 학습합니다. 그 결과, 본 연구에서 제안하는 모델은 정책 변화에 따른 가격-수요 관계의 단조성을 보장하며, 분석적으로 계산 가능한 균형 지표를 생성하면서도, 원본 기반 모델의 정확도 향상을 유지합니다. 두 가지 교통 데이터 세트에 대한 실험 결과, 제안된 어댑터는 표준 로지트 모델보다 최대 13%p의 정확도를 향상시키면서 완벽한 경제적 일관성을 유지했으며, 이는 원본 기반 모델이나 기존 증류 방법으로는 달성할 수 없는 성능입니다.

Tabular foundation models achieve strong accuracy on choice prediction tasks, but their predictions often violate the economic logic those tasks require: raising a price sometimes increases predicted demand, and implied willingness-to-pay estimates are frequently negative or implausible. We propose a two-stage adapter that embeds foundation model predictions within a utility-maximization framework. In the first stage, we estimate a standard choice model whose parameters are constrained to obey economic theory. In the second stage, we freeze those parameters and train a correction term that incorporates the foundation model's predictions as additional information. The result is a model that inherits the foundation model's accuracy gains while guaranteeing monotonic price-demand relationships under policy perturbation and producing analytically computable trade-off measures. On two transportation datasets, the adapter recovers up to 13 percentage points of accuracy over a standard logit model while maintaining perfect economic consistency, something neither the raw foundation models nor conventional distillation achieve.