基于稀疏随机图的HodgeRank众包采样策略分析
机器学习
2016-03-22 v2 机器学习
摘要
众包平台现在广泛用于进行主观成对比较研究。在此设置下，成对比较数据集通常通过随机采样收集，有放回或无放回。本文利用随机图理论分析HodgeRank估计量的这两种随机采样方法。使用图的Fiedler值作为估计量稳定性（信息量）的度量，我们为这两种随机图模型提供了Fiedler值的新估计。在顶点数趋于无穷的渐近极限下，我们证明了估计的有效性。基于我们的发现，对于少量待比较项目，我们推荐两阶段采样策略，其中初始使用贪婪采样方法，第二阶段使用无放回随机采样。当比较大量项目时，我们推荐有放回随机采样，因为这在计算上廉价且可平凡并行化。合成与真实世界数据集上的实验支持了我们的分析。
引用
@article{arxiv.1503.00164,
title = {Analysis of Crowdsourced Sampling Strategies for HodgeRank with Sparse Random Graphs},
author = {Braxton Osting and Jiechao Xiong and Qianqian Xu and Yuan Yao},
journal= {arXiv preprint arXiv:1503.00164},
year = {2016}
}