机器学习同行评审中指数族估计的保序机制

2023 年，国际机器学习会议（ICML）要求有多篇投稿的作者依据感知质量对其投稿进行排序。在本文中，我们旨在通过将保序机制（Isotonic Mechanism）推广至指数族分布，利用这些作者指定的排序来改进机器学习与人工智能会议的同行评审。该机制生成与原始分数紧密对齐且遵从作者指定排序的调整后分数。尽管其适用于广泛的指数族分布，实施该机制无需知晓具体分布形式。我们证明，当作者的效用取其调整后评审分数的凸可加函数形式时，她有动机提供准确排序。对于某指数族分布的子类，我们证明作者仅当问题仅涉及其投稿间的两两比较时才如实报告，从而表明在诚实信息引出中排序的最优性。此外，我们显示相较于原始分数，调整后分数显著提升了估计精度，并在真实分数具有有界全变差时达到近极小极大最优性。我们以对 ICML 2023 排序数据的数值分析作结，显示使用保序机制近似论文代理真实质量时估计收益可观。