用于众包稀疏交互工人聚合的稀疏秩一矩阵补全的梯度下降
人机交互
2020-07-24 v2 机器学习
机器学习
摘要
我们考虑单硬币 Dawid-Skene 众包模型的工人技能估计。在实践中，由于工人的任意且不受控的可用性，工人分配是稀疏且不规律的，因此技能估计具有挑战性。我们将技能估计表述为秩一相关矩阵补全问题，其中观测分量对应于观测到的工人之间的标签相关性。我们表明，当且仅当采样矩阵（观测分量）不具有二连通分量时，相关矩阵可被成功恢复且技能可识别。然后我们提出一种投影梯度下降方案，并表明对于此类采样矩阵，技能估计收敛到所需的全局最优。我们的证明是原创的，并且鉴于即使加权秩一矩阵分解问题在一般情况下也是 NP 难的这一事实，结果是令人惊讶的。接下来，我们根据采样矩阵的无符号拉普拉斯算子的谱性质推导样本复杂度界。我们提出的方案在多个真实世界数据集上达到了最先进性能。
引用
@article{arxiv.1904.11608,
title = {Gradient Descent for Sparse Rank-One Matrix Completion for Crowd-Sourced Aggregation of Sparsely Interacting Workers},
author = {Yao Ma and Alex Olshevsky and Venkatesh Saligrama and Csaba Szepesvari},
journal= {arXiv preprint arXiv:1904.11608},
year = {2020}
}