用于 top-$k$ 排序的同心 Mallows 模型混合：采样与可辨识性
机器学习
2020-11-06 v2 人工智能
机器学习
摘要
在本文中，我们考虑由两个具有相同位置参数但不同尺度参数的 Mallows 模型混合而成的 top- 排序模型，即同心 Mallows 模型混合。当我们拥有一个由两个同质群体组成的异质选民群体时，这种情况就会出现，其中一个是专家选民子群体，另一个包含非专家选民。我们提出了针对 Mallows top- 排序的高效采样算法。我们证明了在此设定下两个组分的可辨识性及其各自参数的可学习性：首先，给出了 top- 排序下 Borda 算法的样本复杂度上界；其次，提出了用于分离各组分中排序的多项式时间算法。最后，由于排序聚合会受到非专家选民引入的大量噪声的影响，我们改进了 Borda 算法，以能够恢复尤其与专家排序一致的真实共识排序。
引用
@article{arxiv.2010.14260,
title = {Concentric mixtures of Mallows models for top-$k$ rankings: sampling and identifiability},
author = {Collas Fabien and Irurozki Ekhine},
journal= {arXiv preprint arXiv:2010.14260},
year = {2020}
}