不完全排序数据的统计推断：秩相关粗化情形
机器学习
2017-12-05 v1 机器学习
统计理论
统计理论
摘要
我们考虑在样本因不包含全部备选项而不完全的假设下，排序数据（具体为排序聚合）的统计推断问题。与大多数现有方法相反，我们显式地对将完整排序变为不完全排序的过程进行建模，我们称之为粗化过程。为此，我们提出秩相关粗化的概念，其假设不完全排序是通过将完整排序投影到一个随机秩子集上产生的。对于我们模型的一个具体实例，其中完整排序从 Plackett-Luce 分布中抽取且观测采取成对偏好的形式，我们研究了各种排序聚合方法的性能。除有限样本设置下的预测精度外，我们还探讨了一致性这一理论问题，即我们意指当样本量趋于无穷时，尽管观测可能因（未知的）粗化而存在潜在偏差，仍能恢复目标排序的能力。
引用
@article{arxiv.1712.01158,
title = {Statistical Inference for Incomplete Ranking Data: The Case of Rank-Dependent Coarsening},
author = {Mohsen Ahmadi Fahandar and Eyke Hüllermeier and Inés Couso},
journal= {arXiv preprint arXiv:1712.01158},
year = {2017}
}
备注
Proceedings of the 34th International Conference on Machine Learning (ICML 2017), 10 pages