随机效用模型的复合边际似然方法
机器学习
2018-06-06 v1 机器学习
摘要
我们提出了一种新颖且灵活的“先秩破缺后复合边际似然”(RBCML) 框架用于学习随机效用模型 (RUMs)，其包含 Plackett-Luce 模型。我们通过证明严格对数凹性在卷积和边缘化下保持不变，刻画了 RBCML 目标函数严格对数凹的条件。我们给出了 RBCML 满足一致性和渐近正态性的充要条件。在合成数据上的实验表明，用于高斯 RUMs 的 RBCML 比最先进算法具有更好的统计效率和计算效率，而我们用于 Plackett-Luce 模型的 RBCML 在运行时间与统计效率之间提供了灵活的权衡。
引用
@article{arxiv.1806.01426,
title = {Composite Marginal Likelihood Methods for Random Utility Models},
author = {Zhibing Zhao and Lirong Xia},
journal= {arXiv preprint arXiv:1806.01426},
year = {2018}
}
备注
22 pages, 3 figures, accepted by ICML 2018