通过对候选人的完整排序偏好的难以确定性我们研究了能够通过查询选民关于 t <m 个候选人的规则计算的投票规则。在先前研究的基础上，我们的研究全面描述了对于任何 1≤t < m 时可以计算的位置评分规则集合，特别地，这不包括多数派规则。然后，我们将这一结论推广到单可变投票 (淘汰投票) 中也出现了类似的不可能性结果。这些负面结果是信息理论的，并且与查询数量无关。最后，对于可以用有限大小的查询计算的评分规则，我们针对决定得分最大候选人的确定性或随机算法必须进行的查询数量提供了参数化的上界和下界。对于确定性算法而言，我们的边界是完全相同的，然而对于随机算法而言，确定其精确的查询复杂度是一个具有挑战性的开放问题，我们解决了其中一个特殊情况。

Feb, 2024

研究发现，将现有的推荐系统直接应用于匹配市场是次优的。因此，提出了一种新的推荐框架来建模这种交互机制，并提出了高效的算法来计算个性化排名，并首次提出了联合优化所有市场候选人排名的方法来明确最大化社会福利。

Jun, 2021

研究揭示排序同行评分可用作大规模在线开放课程 (MOOC) 的学生评估的高度有效和可扩展解决方案，通过使用一种 Borda-like 聚合方法，在分布过程中使用简单的方法分配任务，并且即使学生具有不完美的评分能力，该方法也非常稳健。

Nov, 2014

这篇论文提出了一种基于同伴评分的计算大规模在线开放课程中学生学术表现可靠信息的简单可行方法，使用类排序聚合规则并考虑学生的评分行为提高评分的效度，通过对评分行为的理论框架和实验模拟的验证证明其具有高精度。

Feb, 2016

本文提出了一种协同偏好完成问题的高效算法，涉及在基于有限数量的观测关联值的情况下，针对一组实体在共享的项目集上联合估计个性化排名。该算法利用了一个观察结论，即虽然偏好通常被记为数字分数，但感兴趣的预测量实际上是底层排名，因此，直接拟合底层偏好顺序的估计器结合核范数约束来鼓励低秩参数。尽管具有广泛适用性，但该算法对于表示总体或区块总体顺序的监督的计算复杂度与基于核范数规则化估计的矩阵完成标准算法相差不大。此外，本文还提出了一项挑战性应用，即协同排名脑区与认知神经科学术语之间的关联。

Nov, 2016

本文考虑众包任务分配中的可靠性问题，提出了一种基于置信传播和低秩矩阵逼近的算法来决定如何分配任务，并从工人的答案中推断出正确答案。比较了不同算法的表现，发现基于者非自适应的算法是最优的。此外，还强调了建立可靠的工人信誉系统对于完全运用自适应设计的潜力至关重要。

Oct, 2011

本文通过研究 subset selection 问题中的系统性和无意识偏见，探讨了在加入公平性约束条件下如何提高选择结果的质量，发现这与使用 multiwinner 得分函数的方式有很大关系，有些函数只需要少量排名即可达到近似最佳解，而对于其他函数却需要大量排名进行修正，并提供了工具进行实证验证。

Jun, 2023

这篇论文介绍了知识图谱补全中规则学习方法的高效、可解释且与纯神经模型竞争的特点，提出了规则聚合问题的概念，并探讨了其理论基础。研究证明了现有的聚合方法可以通过对预测规则进行边缘推断操作来表示，并提出了一种既有效又被忽视的基准方法，与计算复杂度更高的方法具有竞争力。

Sep, 2023

本研究致力于解决在电子商务中，为了使商品推荐更具多样性和公正性，提出的带约束排序优化问题，通过提出的快速精确和近似算法，得出结论：即使当约束条件很大时，我们的算法仍然可以在线性时间内运行，并且产生具有小约束违规的解决方案。

Apr, 2017

通过对强有力的潜在对手进行在线攻击，从博弈论的视角提出了一种关于排名聚合方法的对抗性操纵解决方案，并展示了如何通过顺序操纵策略在具有完全知识或不完全知识的 attackers 下实现最优效果。

Jul, 2024