噪声值与比较模型中的实例最优性——接收、接收、强接收：哪些论文被录用？
数据结构与算法
2018-11-06 v2 数据库
机器学习
摘要
受众包计算、同伴评分与推荐系统的启发，Braverman、Mao和Weinberg [STOC'16]研究了在噪声环境下基本问题（如找最大值（\textsc{max}）、找所有高于某值的元素（\textsc{threshold-}）或计算前个元素（\textsc{Top}-））的\emph{查询}与\emph{轮次}复杂度。例如，考虑为会议遴选论文的任务。由于同行评审的众包性质，该任务具有挑战性：评审结果含噪声，且必须尽可能并行化评审过程。我们研究噪声值模型与噪声比较模型：在\emph{噪声值模型}中，要求评审者评价单个元素：“论文的值是什么？”（如接收）。在\emph{噪声比较模型}（由Feige、Peleg、Raghavan和Upfal的开创性工作[SICOMP'94]引入）中，要求评审者做两两比较：“论文是否优于论文？”本文中，我们给出了\textsc{max}、\textsc{threshold-}和\textsc{Top}-问题的最优最坏情况查询复杂度。对\textsc{max}和\textsc{Top}-，我们在两种模型下获得了轮次对查询复杂度的最优最坏情况上下界。对\textsc{threshold}-，我们在两种模型下获得了最优查询复杂度和近乎最优的轮次复杂度（其中为输出规模）。随后我们超越最坏情况，通过针对大范围参数提供关于查询复杂度的实例最优算法，探讨了实例知识的重要性问题。此外，我们证明了值模型严格易于比较模型。
引用
@article{arxiv.1806.08182,
title = {Instance-Optimality in the Noisy Value-and Comparison-Model --- Accept, Accept, Strong Accept: Which Papers get in?},
author = {Vincent Cohen-Addad and Frederik Mallmann-Trenn and Claire Mathieu},
journal= {arXiv preprint arXiv:1806.08182},
year = {2018}
}