基于噪声成对比较的异质排序聚合自适应采样
机器学习
2021-10-11 v1
摘要
在异质排序聚合问题中，用户在对物品对进行比较时往往表现出不同的准确水平。因此，在用户间采用统一查询策略可能并非最优。为解决此问题，我们提出一种基于淘汰的主动采样策略，该策略通过来自用户的噪声成对比较估计物品排序，并通过维护活跃用户集来提升用户的平均准确率。我们证明所提算法能以高概率返回物品的真实排序。我们还给出了该算法的采样复杂度上界，其优于文献中已有的非主动策略。实验表明所提方法相较前沿基线具有经验优势。
引用
@article{arxiv.2110.04136,
title = {Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise Comparisons},
author = {Yue Wu and Tao Jin and Hao Lou and Pan Xu and Farzad Farnoud and Quanquan Gu},
journal= {arXiv preprint arXiv:2110.04136},
year = {2021}
}