ICMLJun, 2019

消除偏差的成对比较聚合

PDF
TL;DR本研究针对众包项目中排名问题，提出了一种新的聚合模型 factorBT，旨在考虑到一些被称作感知原因的因素，以减少感知偏差对最终排名结果的影响。实证研究表明，该模型能够从众包中更准确地得出排名结果。
crowdsourced pairwise comparisonsrankingaggregation modelperceptual biasesfactorbt
发现论文，激发创造
  • 私人成对排名的速率最优等级聚合

    采用随机响应机制来保护原始的成对排序，确保在下游排序聚合中对真实偏好和排序进行一致估计，并建立了隐私保护的最优保证与估计误差之间的最小最大速率。

    Feb, 2024

  • 去偏见的隐性反馈可解释的成对排名

    本文针对 Bayesian Personalized Ranking 模型的黑箱模型、暴露偏差等两个局限进行改进，提出一种新的可解释且公平的推荐模型 Explainable Bayesian Personalized Ranking，并在三个真实世界数据集上进行了实证研究。

    Jul, 2021

  • 简单、健壮且最优排名的配对比较

    本研究旨在通过成对比较的数据形式，使用 Copeland 计数算法实现对 n 个项目的排序，使其具有计算效率高，鲁棒性强，接近信息论极限等特点，并将结果扩展到汉明距离度量下的近似恢复问题和任意错误要求条件下的恢复问题。

    Dec, 2015

  • 特征排序：算法和图论分析

    本文提出了一种新的概率偏好模型 f-BTL，它能更精确地推断带有特征的物品的偏好，在此基础上提出了一个新的最小二乘算法 fBTL-LS，其采样复杂度较低，依赖于物品的特征表述。这项工作展示了排名问题真正的复杂性，并证明了恢复潜在排名所需的样本复杂度的信息论下界。在合成和现实数据上进行了实验验证。

    Aug, 2018

  • 基于 Pareto 双向排序的推荐系统公平性增强

    本文提出了一种新的学习排序算法 Pareto Pairwise Ranking，该算法不仅在技术准确度方面表现出色，而且在公平性方面是目前 9 种现行算法中最公平的算法。

    Dec, 2022

  • 主题建模方法在排名中的应用

    我们提出了一种基于主题建模的方法来预测配对比较中的偏好，该方法利用新的生成模型来捕获预测人群中多种共享潜在排名以及自然的不一致性，并将潜在排名的估计形式地归约为相当于统计模型中的话题建模问题，在此基础上利用相关领域的新进展开发了一个算法，该算法可以以可证明的一致性、样本和计算复杂度的保证学习共享的潜在排名，并在一些半合成和真实世界数据集上证明了与当前最先进方法在预测偏好方面的实证竞争力。

    Dec, 2014

  • 通过两两比较实现推荐排序中的公平性

    本研究提出了一套度量算法公平性关注的新型指标，基于随机实验的成对比较来衡量公平性，建立了新的规则化器，促进了模型训练和推荐系统的公平性。

    Mar, 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 GPT-4 分析人类偏好判断的影响因素

    本文通过利用 Bradley-Terry-Luce 模型对 OpenAI 发布的配对人类判断数据集进行深入研究，探讨影响人类判断的关键因素，揭示了人类判断中的内在偏好，并提出了提高样本效率的策略。最后，本文对于人类判断评估中平衡数据集的构建提供了洞见，这是塑造未来 LLMs 行为的关键步骤。

    May, 2023

  • 基于成对比较的大规模协作排名偏好数据填充

    本文针对协作排名问题展开研究，通过基于凸优化的算法和 AltSVM 这种大规模非凸实现方式，实现从用户提供的两两偏好比较结果中预测他们对未曾见过物品的偏好，该算法展现出了在多个协作过滤数据集中 NDCG 和排名性能的许多中等规模基线的表现优势。

    Jul, 2015