粒度反馈值于精细聚合
机器学习
2025-07-17 v1
摘要
人类反馈越来越广泛地用于训练 AI 模型、开发推荐系统和衡量公众意见等多种应用中——而相较于二元反馈，粒度反馈因其更丰富的信息而被青睐。虽然在获得大量个体反馈后，容易准确估计给定反馈的总体分布，但成本限制通常迫使我们使用较小的群体。一种简单的方法是正则化平均：计算经验分布并将其正则化为先验分布。我们能做得更好吗？正如我们将讨论的那样，这个问题的答案取决于反馈的粒度。假设一个人想要用有限数量的个体反馈来预测总体反馈分布。我们展示，随着反馈粒度的增加，相较于正则化平均，能够通过比正则化平均更精细地组合个体反馈来显著提高对预测的准确性。我们的社会态度问题的实证分析确认了这一模式。特别是，在二元反馈下，精细方法几乎不会减少需要的个体数量以达到固定的性能水平；而在五点反馈下，精细方法只需要大约一半的个体数量，就能实现与正则化平均相当的性能。
引用
@article{arxiv.2507.12041,
title = {Granular feedback merits sophisticated aggregation},
author = {Anmol Kagrecha and Henrik Marklund and Potsawee Manakul and Richard Zeckhauser and Benjamin Van Roy},
journal= {arXiv preprint arXiv:2507.12041},
year = {2025}
}
备注
31 pages, 8 figures