研究了活动粗聚类排序的问题，提出了一种计算有效的 PAC 算法 LUCBRank，探讨了其样本复杂性的上限和下限，并在实验中发现 LUCBRank 比现有的基线方法表现更好。

Feb, 2018

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

本研究研究基于部分排名来推测全局偏好的问题，重点关注如何最优地为排名分配物品及数量，以达到目标估计误差，并提出了一种随机分配方案，实验证实了理论发现。

Jun, 2014

本文提出了一种改进的贝叶斯推断方法，可以通过条件数据的经验分布邻域而不是实际数据，提高模型对扰动的鲁棒性；该方法使用基于相对熵估计的邻域，通过将似然函数提升到分数次幂（即 tempering），使得可以使用标准方法实现推断，甚至在使用共轭先验时也能获得解析解。实验结果表明，在混合模型、未知阶数自回归模型及线性回归变量选择等任务中都能得到良好表现。

Jun, 2015

本文提供了最优的排名破坏估计器，通过处理按拓扑结构不同对待两两比较来实现准确和一致的估计，并确定了精度与复杂度之间的基本权衡以及精度如何取决于相应比较图的谱间隙。

Jan, 2016

本文对于大规模和异构化的现代数据集中的信息排序问题提出了一种可靠性保证的机制，通过有序的信息刻画，充分利用计算资源进行高效程度排名的学习并在特定数据结构下进行了验证。

Aug, 2016

运用矩阵补全算法理论将一种叫做秩聚合的方法扩展到了一部分已填充的斜对称矩阵之上，从而提取出了每个项目的排名。该算法适用于成对比较和评级数据，并且由于基于矩阵补全，因此对数据噪声和不完整数据具有鲁棒性。

Feb, 2011

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

给定多个项目之间的成对比较，如何对它们进行排名，以使得排名与观察结果相匹配？本研究关注基于 Erdos-Renyi 异常值（ERO）模型的排名问题，在该问题中，每个成对比较都是真实分数差异的损坏副本。通过研究基于非归一化和归一化数据矩阵的谱排名算法，我们提供了每个项目从观察数据中恢复出其潜在分数的性能，并得出了非归一化 / 归一化数据矩阵的最大特征向量与其总体对应物之间的逐项扰动误差界限。通过留一法技术，我们提供了更精确的最大特征向量的 l∞范数扰动界限，并在只有 Ω(nlogn) 个样本的情况下导出了每个项目的最大偏移误差界限。理论分析在样本复杂度方面改进了现有技术的结果，并通过数值实验验证了这些理论发现。

Sep, 2023

该研究提出了路面低秩（FLR）模型，通过矩阵完成技术和的 FLR 模型中的侧面信息开发 归纳成对排名（IPR）算法，在 FLR 模型下有证据表明它以样本高效的方式学习用于排名的 FLR 模型。

Feb, 2017