面向众包成对排序聚合的 HodgeRank 与信息最大化方法
机器学习
2017-11-17 v1
摘要
近来，众包作为一种由人力驱动的大规模问题求解范式在各领域崭露头角。然而，任务发布者通常预算有限，因此期望有一种策略来明智地分配预算以获得更高质量。本文中，我们在 HodgeRank 框架下研究主动采样策略的信息最大化原理，HodgeRank 是一种基于多工人成对排序数据 Hodge 分解的方法。该原理展示了两种主动采样场景：Fisher 信息最大化，导致不考虑标签、基于图代数连通性顺序最大化的无监督采样；以及贝叶斯信息最大化，从先验到后验选择信息增益最大的样本，给出涉及已收集标签的有监督采样。实验表明，与传统采样方案相比，所提方法提升了采样效率，因此对实际众包实验具有价值。
引用
@article{arxiv.1711.05957,
title = {HodgeRank with Information Maximization for Crowdsourced Pairwise Ranking Aggregation},
author = {Qianqian Xu and Jiechao Xiong and Xi Chen and Qingming Huang and Yuan Yao},
journal= {arXiv preprint arXiv:1711.05957},
year = {2017}
}
备注
Accepted by AAAI2018