从不完全偏好中学习带特征的随机效用模型混合
机器学习
2022-05-04 v3 机器学习
摘要
随机效用模型（RUMs）以 Plackett-Luce 模型（PL）为特例，是最受欢迎的偏好学习模型之一。在本文中，我们考虑带特征的 RUMs 及其混合，其中每个备选项都有一个特征向量，且在不同智能体之间可能不同。此类模型显著推广了标准 PL 和 RUMs，但在文献中尚未得到充分研究。我们将带特征的 RUMs 混合扩展到生成不完全偏好的模型，并刻画了其可辨识性。对于 PL，我们证明了当带特征的 PL 可辨识时，在温和假设下，通过刻画均方根误差（RMSE）的界，其 MLE 具有严格凹的目标函数且是一致的，这自然导出了样本复杂度界。我们还刻画了更一般的带特征 RUMs 的可辨识性，并提出了一种广义 RBCML 来学习它们。我们在合成数据上的实验证明了 MLE 在带特征 PL 上的有效性，以及在统计效率与计算效率之间的权衡。我们在真实数据上的实验显示了带特征 PL 及其混合的预测能力。
引用
@article{arxiv.2006.03869,
title = {Learning Mixtures of Random Utility Models with Features from Incomplete Preferences},
author = {Zhibing Zhao and Ao Liu and Lirong Xia},
journal= {arXiv preprint arXiv:2006.03869},
year = {2022}
}
备注
Full version of the paper with the same title accepted by IJCAI-22