效用协商作为分类问题
本研究提出了一种基于偏好学习方法的离线学习效用函数的优化算法,不仅可以使用关于结果的偏好,还可以使用效用函数空间的粗略信息,尤其在使用很少的结果时有助于提高效用函数的估计精度,并且可以结合模型来考虑效用函数学习任务中发生的不确定性。
Aug, 2022
本文介绍了 Metric elicitation 作为选择最能反映隐含用户偏好的性能评估指标的原理性框架,并提出使用分类器的成对偏好反馈来激发分类性能指标的新策略,包括用于二元和多类分类问题的线性和线性分式指标的新策略,以及在存在多个敏感组时激发群体公平性能度量的框架的推广,文中也提出了用于优化深度网络训练的黑盒度量的 Metric elicitation 框架,最后还进行了一项初步的真实用户研究,证明了在二值分类设置中 Metric elicitation 框架恢复用户首选性能评估指标的有效性。
Aug, 2022
本文研究了使用结构化效用模型进行复杂多属性效用函数的有效表示和引导。通过使用广义加性独立模型作为用户偏好的结构模型,我们提出了一种仅使用 “局部” 效用查询而不是全局查询来引导这些模型参数的方法。同时,我们采用了简单易行的策略,将此方法扩展到将效用参数的不确定性概率表示。最后,我们通过一种我的信息价值方法来实验验证该方法。
Jul, 2012
该研究论文提出了一种基于使用情况的隐式问题提取方法,利用大型评论语料库中的句子和神经文本转换模型生成问题,以更有效地收集用户偏好,通过众包方式完成多阶段数据注释协议以准确标记神经模型训练数据,并进行了模型性能分析。
Nov, 2021
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
本文探讨了如何从单调偏好数据中学习效用函数,提供了用于多种重要类别的样本复杂度保证和有效算法,并使用最近多类学习的进展和有关线性价格模型的紧密联系,提出了一种解决线性效用函数学习问题的高效算法。(Sample complexity guarantees and efficient algorithms are provided for learning utility function from revealed preference data, and a computationally efficient algorithm with tight sample complexity guarantees is proposed for learning linear utility functions under a linear price model).
Jul, 2014
本研究提出了一种新的范式,通过引入首个基于人类偏好征集的人在环路方法,将用户视为过程的主动参与者,结合蒙特卡洛树搜索的强化学习智能体以提供个性化干预以实现算法回溯。
May, 2022
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