Hyrbid-MST: 一种用于成对偏好聚合的混合主动抽样策略

NIPSOct, 2018

Hyrbid-MST: 一种用于成对偏好聚合的混合主动抽样策略

Hybrid-MST: A Hybrid Active Sampling Strategy for Pairwise Preference Aggregation

Jing Li, Rafal K. Mantiuk, Junle Wang, Suiyi Ling, Patrick Le Callet

TL;DR本文提出了一种混合主动抽样策略，利用贝叶斯优化和 Bradley-Terry 模型构建效用函数，并使用高斯 - 好米特积分来评估期望的信息增益，从而恢复稀疏噪声对标。在每次试验中使用全局最大期望信息增益样本或最小生成树样本的混合主动抽样策略，其决定于测试预算。该方法在模拟和实际数据集上均表现出比现有方法更高的偏好聚合能力。

Abstract

In this paper we present a hybrid active sampling strategy for pairwise preference aggregation, which aims at recovering the underlying rating of the test candidates from sparse and noisy pairwise labelling. Our

pairwise preference aggregation bayesian optimization expected information gain active sampling strategy noisy pairwise labelling

发现论文，激发创造

信息最大化的 HodgeRank 算法用于众包排名聚合

研究了基于信息最大化的主动抽样策略，旨在智能地为任务请求者分配有限的预算，以提高标注质量和效率，经实验证明，该方法比传统的抽样方案表现更好，更适合于实际的众包实验。

Nov, 2017

基于一般多方比较的谱排序推理

该论文研究了在一般和更实际的设置中使用光谱方法估计和不确定性量化未观察到的被比较实体的偏好分数的性能，其中比较图包含可能具有异构大小的超边，并且对于给定超边，比较的数量可以低至一次。此外，在适用 BTL 或 PL 模型的情况下，我们揭示了光谱估计量与最大似然估计量之间的关系。我们发现，使用从等权重光谱方法估计的最优加权的两步光谱方法可以达到与 MLE 相同的渐近效率。鉴于估计的偏好分数的渐近分布，我们还介绍了一个全面的框架，可以在固定和随机图设置中进行一样本和两样本排名推断。值得注意的是，这是首次提出有效的双样本排名测试方法。最后，我们通过全面的数值模拟验证了我们的发现，然后应用我们开发的方法对统计学期刊和电影排名进行统计推断。

Aug, 2023

主动偏好学习用于样本内外排序项目

学习基于有噪声的配对比较的项目顺序，在无法分配具体标签的情况下很有用，尤其是在标注者必须进行主观评估的情况下。本研究在具有上下文属性的有序项目中研究了配对偏好反馈的主动学习，提出了两种算法来贪婪地最小化排序错误，证明了这些算法相对于非上下文排名方法和主动偏好学习基线具有更好的样本效率。

May, 2024

神经网络协同过滤的采样策略

本论文提出了一种基于神经网络的推荐框架，该框架可以包含用户 - 物品交互信息和多种内容信息，提出了三种新的采样策略来改善框架的训练效率和推荐性能，并对计算成本和收敛性进行了理论分析。

Jun, 2017

基于谱最大似然估计的 Top-K 等级聚合方法，来自于成对比较

本文探讨了基于偏好的 top-K 排名聚合问题，并使用 Bradley-Terry-Luce 模型来表征隐含的偏好分数，提出了一种名为 Spectral MLE 的几乎线性时间排名方案，并揭示了可靠排名所需的最小采样复杂度和分离测度之间的关系。

Apr, 2015

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

普通图和局部图的成对比较排名

本文关注 Bradley-Terry-Luce 模型中的成对比较问题，并通过对图论的分析，提出了能够在有限条件下对排名进行准确估计的算法，并在大规模实验中证实了该算法的可行性。

Apr, 2023

通过费舍尔信息和信息论量统一主动学习和主动采样方法

本文回顾了贝叶斯最优实验设计的基础，并表明被称为期望信息增益或 BALD 的预测和模型参数之间的互信息以及被称为预测信息增益的获取候选和测试样本之间的互信息可以作为信息理论量的近似，提出了一种连接所谓分歧文献的统一框架。

Aug, 2022

一种基于成对偏好的主动学习排序算法，具有几乎最优的查询复杂度

本文解决了学习如何从成对偏好中排名的问题，并提出一种主动学习算法来优化线性排序的查询复杂度，同时尽可能地减少成对偏好标签的不一致性。

Oct, 2010

通过尼曼分配分层抽样主动学习实现高效灾难响应的成本有效无偏类比率估计

利用构建奈曼分层随机抽样树的创新算法以及对多类问题的推广，通过广泛的实验验证，本研究发现其在类别比率估计和模型增强方面能够超越传统主动学习方法，仅需传统简单抽样的 30％-60％的注释成本。该方法有效解决了传统主动学习策略中的 “采样偏倚” 问题，并缓解了 “冷启动” 困境。同时，在使用 Xview2 卫星图像进行灾害评估任务时，本方法展现出其在实际场景中的实用性。

May, 2024