具有子集评价偏好的主动排名
该研究引入了 PAC Battling-Bandit 问题,通过 Plackett-Luce 子集选择模型在在线学习框架中寻找高置信度的最佳物品,对不同反馈模型下的样本复杂度进行研究,发现利用排名顺序反馈可以从统计效率上提高样本复杂度。
Aug, 2018
透过自适应调用两两比较来研究可能近似正确且公平(PACF)排名问题,目标是根据我们提出的公平目标函数找出一个(ϵ,δ)-PACF 排名。我们使用的目标函数要求最小化组的误差 lq 范数,其中组的误差是组内所有项误差的 lp 范数,p,q≥1。我们提供了群体不可见和群体感知算法,并分析了其样本复杂度。我们对真实数据集和合成数据集进行了全面的实验以补充我们的理论结果。
Feb, 2024
本文研究了使用多项式逻辑模型下的 $l(l≥2$)$-wise$ ($l≥2$) 比较的积极 PAC top-k 排名(即 top-k 项目选择)和总排名问题,通过自适应地选择查询组并观察每个查询的最受欢迎项的嘈杂结果,我们要设计排名算法,使用尽可能少的查询来恢复 top-k 或总排名。
Jun, 2018
在满足强随机可转性和随机三角不等式的概率模型中,本研究考虑了 $(\epsilon,\delta)$-PAC 最大选择和排名问题。提出了一种基于淘汰赛的选择算法和一般框架来改进排名算法,结合归并排序和二分查找,得到了一个优化性能的排名算法。
May, 2017
我们提出了一种基于 PAC 学习的随机效用模型(RUM)的新学习算法,通过使用分层消除和基于两两相对比较的临界统计值进行训练,可以在 O (n/(c^2ε^2) log (k/δ)) 轮内识别出一个具有 ε 优异度的项,其中对于足够敏感于项参数之间的差距 c 的 RUM 的最差情况下双方优势。
Feb, 2020
通过对代理人的偏好进行赋值,我们将找到 Kemeny 排名作为对抗式武装强盗问题。我们考虑了采样和不采样的情况,并提供了概率近似正确(PAC)解决方案的算法,同时详细说明了其采样复杂度。如果所有代理人的偏好都是对备选项的严格排名,我们提供了剪枝置信区间的方法,以便更有效地赋值,并提出了几种自适应采样方法进行比较。
Dec, 2023
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
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
我们研究了具有强化学习反馈的多分类 PAC 学习问题,提出了一种新颖的学习算法将样本复杂度降低到 O ((poly (K) + 1/ε²) log (|H|/δ)),改进了现有问题的边界,同时在一般类别情况下也得到了类似的样本复杂度边界,算法利用随机优化技术通过 Frank-Wolfe 更新计算低方差探索分布。
Jun, 2024
提出一种称为 Pref-Rank 的算法,它利用结构丰富的图形嵌入来预测排名。通过在坐标点上建立强乘积空间,该算法通过 SVM 方法从结果图嵌入中提取关键信息并在两种排序 Loss 上提供了统计一致性。实验结果表明,此算法优于现有的状态 - of-the-art 方法。
Nov, 2018