社会选择的随机效用理论
本文探讨了基于参数化建模的 {General Random Utility Models (GRUMs)},并基于贝叶斯实验设计的原则提出了两种 GRUMs 的偏好引导方案,其中之一适用于社会选择,另一种适用于个性化选择。我们还结合 Monte-Carlo-Expectation-Maximization (MC-EM) 方法提出了一种进行 GRUMs 下的 MAP 推断的算法。同时,我们证明了一类 GRUMs 的似然函数单峰性,并通过实验研究的性能表现证明了所提出引导方案提高了估计的精度。
Sep, 2013
本研究提出了一种新颖灵活的基于排名打破的复合边际似然 (RBCML) 框架,用于学习随机效用模型 (RUMs),包括 Plackett-Luce 模型,并利用证明严格对数凹性在卷积和边际化下得以保持的方法,表征了 RBCML 的目标函数为严格对数凹性的条件,进一步表征了 RBCML 满足一致性和渐近正态的必要和充分条件。在合成数据上进行的实验表明,高斯 RUMs 的 RBCML 比最先进的算法的统计效率和计算效率更好,而我们针对 Plackett-Luce 模型的 RBCML 提供了灵活的运行时间和统计效率的权衡。
Jun, 2018
本文从统计决策论的视角出发,提出了基于决策规则的社会选择机制,比较了 Bayesian 估计器、Mallows 模型、Condorcet 模型和 Kemeny 规则等各种类型的机制,并探讨了其规范性能、计算复杂度和渐近行为等方面的性质。其中,对于 Condorcet 模型,本文证明了 Bayesian 估计器满足匿名性、中立性和单调性等期望性能,能够在多项式时间内计算,并在一定条件下与其他两种决策规则渐近不同。
Oct, 2014
研究了在代理人对有限物品具有不受限制的基数偏好时,近似社会福利最大化(无货币)的问题,在此问题中随机优先级是一个非常著名的期望真实机制,证明了随机优先级的近似比率是 Θ(n ^ {-1 / 2}),而没有期望真实机制可以实现比 O(n^{-1/2})更好的近似比率。此外,证明了所有序数(不一定是期望真实的)机制的近似比率都是 O(n^{-1/2}),表明随机优先级是问题的渐近最好的期望真实机制和最好的序数机制。
Mar, 2014
该论文旨在通过形式化运行时分布的喜好来解决在算法选择中的竞争。我们提出了一种基于效用理论的方法,描述了算法偏好的评分函数,这些函数依赖于解决问题的价值如何随时间降低以及满足的时间分布。我们展示了实用程序函数的例子,并展示了如何利用最大熵方法来建模未规定的时间分布,最后,我们展示了如何从运行时样本中高效估计算法的预期效用。
May, 2022
采用基于选择建模的上下文重复选择(CRS)模型,结合多模态模型,提供了生成丰富的排名空间的工具,同时使用结构相关的尾部风险和期望风险界限,对该模型的最大似然估计提供了严格的理论保证,并且在多项式逻辑选择模型(MNL)和 Plackett-Luce(PL)排名模型的预期风险以及 PL 排名模型的尾部风险方面也提供了前所未有的紧密界限。该 CRS 模型在各种场景下明显优于现有的排名数据建模方法,包括比赛和排名投票。
Dec, 2023
本文提出了一种新型的随机子集选择框架,用于解决机器学习算法中存在的偏见或歧视问题,该框架结合了群体公平和最优化的因素,具有广泛的应用前景和优化效果。
Apr, 2023
讨论了三个优秀的投票规则,其中条件功利规则是一个策略性稳健且容易计算的规则,其最坏和平均效率在代理人数量较小时都是低的,而效率最高的 Nash Max Product 规则虽然可以实现任何联盟的最强福利保障,但不符合排斥策略性稳健性,而有效的平等主义规则保护个体代理人但不保护联盟。
Dec, 2017