PyTorch原生DCM包来了！中位运行时间暴降99.7%，45个测试全胜
TorchDCM: A Unified PyTorch-Native Package for Discrete Choice Modeling
👨💼 主理人解读 · 为什么值得关注
提供PyTorch原生统一包，加速大规模离散选择模型的估计与仿真，填补GPU加速工具空白。
📖 AI 总结
TorchDCM是一个基于PyTorch的开源Python包，旨在统一离散选择模型（DCM）的估计流程，弥合传统计量经济学软件与可扩展可微计算之间的鸿沟。该包将选择数据和模型规范编译为统一的PyTorch原生似然引擎，支持CPU和CUDA设备上的估计、推断、预测及结构化报告，覆盖了Biogeme和Apollo中的主要计量功能，包括多项、嵌套、混合、有序、潜变量及面板似然，并支持不规则选择集、约束参数、协方差估计、支付意愿分析和弹性计算。在45个合成案例和真实数据实验中，TorchDCM全部完成，且在所有可比合成案例中运行最快，相比Biogeme和Apollo将中位运行时间降低了89.1%至99.7%，CUDA加速额外带来12至71倍速度提升。该工具为大规模、仿真密集型DCM估计提供了可扩展且可复现的基础，推动了可微选择模型的发展。
🔑 关键词速览
| 离散选择模型 (DCM) | 用于分析个体在多个离散选项中选择行为的统计模型，常用于交通、营销等领域。 |
| PyTorch-native | 基于PyTorch框架原生构建，利用其自动微分和GPU加速能力。 |
| 似然引擎 (likelihood engine) | 计算模型似然函数的核心组件，用于参数估计和统计推断。 |
| Biogeme 和 Apollo | 两个成熟的离散选择模型估计软件包，提供广泛的经济计量功能。 |
| CUDA | NVIDIA的并行计算平台，允许在GPU上进行高性能计算，加速模型估计。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅