- 顺序对抗排序聚合:理论与算法
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。
- 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。
- 不同 Kemeny 排名聚合的参数化方面
Kemeny 方法是一种用于排名整合的热门工具,我们研究了在参数化复杂性条件下计算不同 Kemeny 排名的问题,并提供了已有的 FPT 算法和近似算法。
- 通过谱方法改进的排名聚合的理论保证
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 - 测量和控制排名聚合中的分裂问题
该研究将焦点集中在识别表达个体偏好差异的具争议性的议题上,通过分析各项分歧度量的特性、偏好不完备条件下的鲁棒性以及具争议性的控制和操纵算法,提高了我们对集体决策中如何量化分歧的理解。
- 基于 Mallows 模型的同心混合模型用于 top-$k$ 排名:采样与可识别性
本文主要研究包含两种 Mallows 模型的混合模型,用于对包含专家和非专家评委的异质性选民群体进行排名。在此基础上,针对数据中的噪声和非专家评委造成的影响,对 Borda 算法进行了改进,以便能够更好地还原 “专家排名” 的排名。
- AAAI异质 Thurstone 偏好模型在排名聚合中的应用
提议使用异构 Thurstone 模型(HTM)聚合排名数据,并提出一种基于交替梯度下降的排名聚合算法,能够同时估计不同用户的基础物品得分和准确度水平。理论上证明该算法的收敛速度线性,且表现优于现有方法。
- ICML不完整排名数据的统计推断:基于排名依赖性粗糙化情况的考虑
本论文探讨了不完整排序数据以及基于 Plackett-Luce 分布的完整排序数据下的各种排序方法的表现,提出了考虑等级相关粗化的概念,并研究了当样本大小趋近于无穷大时,是否存在偏差导致恢复目标排序的一致性问题。
- AAAI基于类比推理的学习排序
本文提出了基于类比推理原理的物件排序新方法,并将其与基于实例学习和排序聚合的技术相结合,初步实验结果表明该方法具有竞争力。
- 数据驱动的排名破坏用于高效的排名聚合
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。
- 使用核范数正则化的个性化排名聚合
本文研究了机器学习中的排名聚合问题及其变种 —— 协同排名问题,提出了一种核范数正则化的优化方法用于估算用户偏好。实验结果表明,随着观测次数的增加,评估用户偏好的误差也相应减小。
- KDD有序同行评分方法
研究了自动从等级同行反馈中推断学生成绩的问题,并探索了几种概率模型来评估学生成绩和评分人的可靠性。
- 基于成对比较的排名中心度
本文提出了一种迭代的排名聚合算法 ——Rank Centrality,该算法基于随机游走解释,用于发现从成对比较中学习出的对象分数。该算法的有效性以 Bradley-Terry-Luce(BTL)模型为例,并通过边界收敛速度分析方法估计出了 - 核范数最小化的排名聚合
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。