IJCAIApr, 2016

通过集合最大边缘学习实现建设性偏好征求

PDF
TL;DR本文提出了一种适用于大型配置空间的偏好获取方法，其中集合最大间隔法可视为将最大间隔学习推广到集合领域，并可生成一组 “多样化” 的项目，以询问用户的详细信息。此外，该方法可以鼓励参数空间的稀疏性，以支持有利于仅集中于少数特征权重组合的实用性评估。我们提出了一个混合整数线性规划公式，并展示了我们的方法如何与贝叶斯偏好获取替代方案相比有优势，并且可以轻易扩展到现实数据集。
发现论文，激发创造
  • 基于混合组合空间的积极偏好引出

    本论文介绍了一种基于 Choice Perceptron 的算法，该算法可用于从 set-wise choice feedback 中学习用户喜好，并在理论上证明了其良好性能。该算法可解决搜索空间较大、具有 Boolean-numeric 特征空间的构造性任务。

    Nov, 2017

  • 构建性偏好获取的分解策略

    我们提出了一种基于偏配置推理和反馈的分解技术来解决构造性决策问题中用户偏好的学习，并且证明这种方法能极大地减少用户的认知负荷，并且在一个合成问题和两个现实问题上得到了有希望的实验结果。

    Nov, 2017

  • 嘈杂配对比较下的主动嵌入搜索

    利用主动学习策略来最大化信息收集，在低维空间中通过成对比较预测用户偏好向量的两个新策略，验证表明其在性能方面优于现有的选择方法和随机查询。

    May, 2019

  • 一对多：多用户同时度量和偏好学习

    本文研究了从一群回答者中同时进行偏好和度量学习的问题，旨在捕捉单个用户的偏好和相似度度量标准，同时享有样本成本分摊。通过研究连续响应设置和噪声二进制测量，证明了该模型足够灵活，能够有效地满足不同需求，并提高了学习的样本复杂度，最终在模拟数据和真实数据中进行了实际效果验证。

    Jul, 2022

  • 贪婪 SLIM：基于 SLIM 的偏好调查方法

    基于 SLIM 的贪心 SLIM 方法是用于偏好获取的一种新的训练技术，对于偏好获取比基于潜在因素模型的广泛使用的方法更加适用，通过离线实验和用户研究来评估其性能，结果表明该方法在用户研究方面表现出色。

    Jun, 2024

  • 与递增对手的前 K 名排名

    本文研究了具有单调对手的前 K 名排名问题，在随机生成的比较图的基础上，统计学家的目标是根据半随机比较图中的成对比较，准确地确定前 K 名的首选项目。主要贡献是开发了一种加权的最大似然估计器，它在样本复杂度方面实现了接近最优的性能，最多有对数因子 (log^2 (n))，其中 n 是比较的项目数量。通过分析和算法创新的组合实现了这一目标。

    Feb, 2024

  • 最大间隔对比学习

    本研究在无监督学习中采用了最大化分类器决策边界的最大间隔对比学习方法，通过 SVM 优化问题选择出稀疏支持向量作为负样本，并优化算法以减小计算复杂度，从而在视觉基准数据集中获得了更好的无监督表征学习性能。

    Dec, 2021

  • 可扩展的伯努利偏好学习模型应用于众包数据分析

    采用贝叶斯方法结合矩阵因式分解和高斯过程，使用输入特征来预测个人偏好和众人共识，在大量的用户、物品和成对标记的情况下利用随机变分推断方法达到可扩展性，该方法在推荐任务和自然语言处理任务上均表现优异。

    Dec, 2019

  • 选择备选方案的最大似然方法

    本文探讨了在存在噪声评估的情况下，选择替代方案子集的问题，并证明在噪声水平足够高时，直观方法提供了最优解。我们扩展了有关选择单一替代方案以及通过强度识别隐藏排名的经典结果。大量实验表明，我们的方法在实际环境中表现良好。

    Oct, 2012

  • 自适应边界的概率度量学习用于 Top-K 推荐

    本文提出了基于距离的推荐模型，通过参数化高斯分布、自适应生成间隔以及明确的用户相似度模拟等创新方法，以及采用满足三角不等式和能衡量概率分布间距离的 Wasserstein 距离等措施，成功地解决了个性化推荐系统面临的偏好信息获取难题，并且在五个真实世界数据集上实现了相较于现有最佳方法提高了 4-22% 的推荐准确度。

    Jan, 2021