面向模型误设的快速鲁棒排序聚合方法
机器学习
2023-05-08 v2 机器学习
摘要
在排序聚合（RA）中，不同用户的偏好集合在用户同质性假设下被汇总为一个全序。由于同质性假设在复杂现实情境中无法成立，RA 中会出现模型误设。现有的鲁棒 RA 通常借助排序模型的增广来刻画额外噪声，其中收集的偏好可被视为理想偏好的含噪扰动。由于大多数鲁棒 RA 依赖于特定的扰动假设，它们无法很好地推广到现实世界中无先验噪声污染的偏好。本文提出 CoarsenRank，其具备针对模型误设的鲁棒性。具体而言，CoarsenRank 的特性总结如下：（1）CoarsenRank 针对轻度模型误设而设计，其假设存在与模型假设一致、且位于实际偏好邻域内的理想偏好。（2）CoarsenRank 随后在偏好的邻域上执行常规 RA，而非直接在原数据集上执行。因此，CoarsenRank 在邻域内享有针对模型误设的鲁棒性。（3）数据集的邻域通过其经验数据分布定义。进一步地，我们对未知邻域大小施加指数先验，并推导出在特定散度度量下 CoarsenRank 极大简化的后验公式。（4）CoarsenRank 进一步实例化为 Coarsened Thurstone、Coarsened Bradly-Terry 与 Coarsened Plackett-Luce，对应三种流行的概率排序模型。同时，针对各实例化分别给出了易处理的优化策略。最后，我们在四个真实数据集上应用 CoarsenRank。
引用
@article{arxiv.1905.12341,
title = {Fast and Robust Rank Aggregation against Model Misspecification},
author = {Yuangang Pan and Weijie Chen and Gang Niu and Ivor W. Tsang and Masashi Sugiyama},
journal= {arXiv preprint arXiv:1905.12341},
year = {2023}
}
备注
https://github.com/Numb3rs-UTS/Robust-Ranking-Aggregation--CoarsenRank