DATELINE：带不确定性度量的深度Plackett-Luce模型
机器学习
2018-12-17 v1 机器学习
摘要
k元偏好的聚合是一个历史性的重要问题，因为它有许多现实应用，例如同伴互评、总统选举和餐厅排名。同时，Plackett-Luce模型的变体已被用于聚合k元偏好。然而，当前的变体仍存在两个紧迫问题。首先，大多数忽略了特征信息，即它们考虑的是k元偏好而非实例相关的k元偏好。其次，这些变体几乎未考虑由不可知众包提供的k元偏好中的不确定性。在本文中，我们提出带不确定性度量的深度Plackett-Luce模型(Deep plAckeTt-luce modEL wIth uNcertainty mEasurements, DATELINE)，可同时解决这两个问题。针对第一个问题，我们采用深度神经网络将每个实例映射为其在Plackett-Luce模型中的排序分数。然后，我们提出一个加权Plackett-Luce模型来解决第二个问题，其中权重为衡量工人质量的动态不确定性向量。更重要的是，我们为DATELINE提供了理论保证以证明其鲁棒性。
引用
@article{arxiv.1812.05877,
title = {DATELINE: Deep Plackett-Luce Model with Uncertainty Measurements},
author = {Bo Han},
journal= {arXiv preprint arXiv:1812.05877},
year = {2018}
}