Hybrid-MST：一种用于成对偏好聚合的混合主动采样策略
机器学习
2018-10-23 v1 机器学习
摘要
本文提出一种用于成对偏好聚合的混合主动采样策略，旨在从稀疏且含噪的成对标注中恢复被测候选对象的潜在评分。我们的方法采用贝叶斯优化框架与 Bradley-Terry 模型构建效用函数，进而获得每对样本的期望信息增益（Expected Information Gain, EIG）。为计算效率，使用 Gaussian-Hermite 求积估计 EIG。本工作提出一种混合主动采样策略，在每次试验中根据测试预算选择使用全局最大（Global Maximum, GM）EIG 采样或最小生成树（Minimum Spanning Tree, MST）采样。所提方法在模拟与真实世界数据集上均得到验证，显示出优于当前最优（state-of-the-art, SOTA）方法的偏好聚合能力。
引用
@article{arxiv.1810.08851,
title = {Hybrid-MST: A Hybrid Active Sampling Strategy for Pairwise Preference Aggregation},
author = {Jing Li and Rafal K. Mantiuk and Junle Wang and Suiyi Ling and Patrick Le Callet},
journal= {arXiv preprint arXiv:1810.08851},
year = {2018}
}
备注
NIPS 2018