高效且精确的 Plackett-Luce 混合模型学习
机器学习
2023-02-13 v1 机器学习
摘要
Plackett-Luce（PL）混合模型——最基础的排序模型之一——是一个具有理论与实际重要性的活跃研究领域。大多数先前提出的参数估计算法实例化 EM 算法，常采用随机初始化。然而，此类初始化方案可能无法给出良好初估，且算法需多次重启，带来较大时间复杂度。至于 EM 过程，虽然 E 步可高效执行，但由于 PL 似然函数的组合性质（Gormley 和 Murphy 2008），M 步中最大化对数似然是困难的。因此，先前作者偏好最大化代理似然函数的算法（Zhao 等 2018, 2020）。但由此得到的最终估计可能偏离真实的最大似然估计。本文中，我们解决这些已知局限。我们提出一种初始化算法，可提供可证明准确的初始估计，以及一种高效最大化真实对数似然函数的 EM 算法。在合成与真实数据集上的实验表明，我们的算法在准确度与速度上可与基线算法竞争，尤其在含大量条目的数据集上。
引用
@article{arxiv.2302.05343,
title = {Efficient and Accurate Learning of Mixtures of Plackett-Luce Models},
author = {Duc Nguyen and Anderson Y. Zhang},
journal= {arXiv preprint arXiv:2302.05343},
year = {2023}
}