利用高斯过程学习不一致偏好
机器学习
2022-01-31 v3 机器学习
摘要
我们重新审视 Chu 等人(2005)广泛使用的偏好高斯过程，并挑战其通过潜在效用函数值强加数据项可排序性的建模假设。我们提出了 pgp 的一种推广，可捕捉数据中更具表达力的潜在偏好结构，从而用于对不一致偏好(即传递性被破坏)建模，或通过所学偏好函数的谱分解发现可比较项的簇。我们还考虑了相关协方差核函数及其再生核希尔伯特空间(RKHS)的性质，给出了一个满足偏好函数空间普适性的简单构造。最后，我们在模拟与真实数据集上提供了一组广泛的数值实验，展示了我们所提方法与最先进方法的竞争力。我们的实验发现支持了真实世界偏好数据中可排序性违背普遍存在的猜想。
引用
@article{arxiv.2006.03847,
title = {Learning Inconsistent Preferences with Gaussian Processes},
author = {Siu Lun Chau and Javier González and Dino Sejdinovic},
journal= {arXiv preprint arXiv:2006.03847},
year = {2022}
}