Fugu-MT 論文翻訳(概要): On A Mallows-type Model For (Ranked) Choices

論文の概要: On A Mallows-type Model For (Ranked) Choices

arxiv url: http://arxiv.org/abs/2207.01783v1
Date: Tue, 5 Jul 2022 02:53:25 GMT
ステータス: 処理完了
システム内更新日: 2022-07-06 15:50:43.678534
Title: On A Mallows-type Model For (Ranked) Choices
Title（参考訳）: Mallows-type Model for (Ranked) Choicesについて
Authors: Yifan Feng, Yuxuan Tang
Abstract要約: 我々は、人口の選好と(ランク付けされた)選択行動に関する距離ベースランキングモデルを特定する。我々は,モデルパラメータを推定し,実データを用いた一般化能力を示す効果的な手法を開発した。
参考スコア（独自算出の注目度）: 5.157641769123297
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In a preference learning setting, every participant chooses an ordered list of $k$ most preferred items among a displayed set of candidates. (The set can be different for every participant.) We identify a distance-based ranking model for the population's preferences and their (ranked) choice behavior. The ranking model resembles the Mallows model but uses a new distance function called Reverse Major Index (RMJ). We find that despite the need to sum over all permutations, the RMJ-based ranking distribution aggregates into (ranked) choice probabilities with simple closed-form expression. We develop effective methods to estimate the model parameters and showcase their generalization power using real data, especially when there is a limited variety of display sets.
Abstract（参考訳）: 嗜好学習設定では、各参加者は、表示された候補群のうち、最も好まれるアイテムの注文リストを選択する。 (参加者ごとにセットが違う場合もある。) 人口の選好と(ランク付けされた)選択行動に関する距離ベースランキングモデルを特定する。ランキングモデルはMallowsモデルに似ているが、Reverse Major Index (RMJ)と呼ばれる新しい距離関数を使用する。すべての置換をまとめる必要があるにもかかわらず、rmjベースのランキング分布は単純なクローズドフォーム表現で(ランク付けされた)選択確率に集約される。我々は,モデルパラメータを推定し,特に限られた種類の表示セットが存在する場合に,実データを用いた一般化能力を示す効果的な手法を開発した。

関連論文リスト

ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。 ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
論文参考訳（メタデータ） (2024-10-21T14:02:40Z)
Statistical Models of Top-$k$ Partial Orders [7.121002367542985]
我々は、トップ$k$部分順序とリスト長$k$に対する分布を共同でモデル化するためのアプローチを導入し、分類する。サンフランシスコの学校選別とサンフランシスコの選別選別選別選別選別選別選別選別選別によるデータを用いて、モデルが観測されたデータをどのように予測するかを評価する。
論文参考訳（メタデータ） (2024-06-22T17:04:24Z)
Learning Rich Rankings [7.940293148084844]
文脈的反復選択(CRS)モデルを構築し、自然の多モード性とリッチネスをランキング空間にもたらす。構造に依存したテールリスクと予測されるリスクバウンダリによるモデルの下での最大推定の理論的保証を提供する。また,MNL選択モデルとPlackett-Luce(PL)ランキングモデルに対する最大極大推定器の予測リスクに,最初の厳密な境界を設けた。
論文参考訳（メタデータ） (2023-12-22T21:40:57Z)
Large Language Models Are Not Robust Multiple Choice Selectors [117.72712117510953]
複数選択質問(MCQ)は、大規模言語モデル(LLM)の評価において、一般的なが重要なタスク形式として機能する。この研究は、現代のLLMが、その固有の「選択バイアス」によるオプション位置変化に対して脆弱であることを示している。そこで本研究では,オプションIDに対する事前バイアスを全体予測分布から分離するPriDeという,ラベルのない推論時間脱バイアス手法を提案する。
論文参考訳（メタデータ） (2023-09-07T17:44:56Z)
Sequence-to-Set Generative Models [9.525560801277903]
本稿では,任意のシーケンス生成モデルを集合生成モデルに変換するシーケンス・ツー・セット法を提案する。本稿では,シーケンス・ツー・セット方式の例であるGRU2Setについて述べる。我々のモデルの直接的な応用は、eコマース注文の集合から注文/セット分布を学ぶことである。
論文参考訳（メタデータ） (2022-09-19T07:13:51Z)
Have we been Naive to Select Machine Learning Models? Noisy Data are here to Stay! [2.094821665776961]
モデル選択手順は、通常、特定の集合における特定の計量を最大化するモデルを選択する単一基準決定である。これは非常に単純であり、過剰な探索現象のため、過度に適合したモデルの選択が不十分である、と我々は主張する。 4つの理論的最適条件を定義し、モデルをよりよく選択し、分析することができる。
論文参考訳（メタデータ） (2022-07-14T04:20:08Z)
A Case Study on Sampling Strategies for Evaluating Neural Sequential Item Recommendation Models [69.32128532935403]
負の項目をサンプリングする2つのよく知られた戦略は、一様ランダムサンプリングと人気によるサンプリングである。我々は、現在最先端のシーケンシャルレコメンデータモデルを再評価する。いずれのサンプリング戦略も,モデルの完全なランキングと比較すると,一貫性のないランキングを生成できることがわかった。
論文参考訳（メタデータ） (2021-07-27T19:06:03Z)
Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity [16.893758238773263]
少数のトレーニングサンプルしか持たなかった場合、GPT-3のような非常に大きな事前訓練された言語モデルは、競争力のある結果を示した。サンプルが提供される順序は、ほぼ最先端の予測性能とランダムな推測性能の差であることを示す。言語モデルの生成特性を利用して人工的な開発セットを構築し、このセットから候補置換のエントロピー統計に基づいて、実行者プロンプトを同定する。
論文参考訳（メタデータ） (2021-04-18T09:29:16Z)
Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文参考訳（メタデータ） (2021-01-02T02:11:37Z)
SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文参考訳（メタデータ） (2020-02-23T06:40:48Z)
Fast and Robust Rank Aggregation against Model Misspecification [105.54181634234266]
ランクアグリゲーション(RA)では、異なるユーザからの好みのコレクションを、ユーザの同質性の仮定の下で総順にまとめる。 RAにおけるモデルの不特定は、複素実世界の状況において同質性の仮定が満たされないために生じる。本稿では,モデル誤特定に対する堅牢性を有するCoarsenRankを提案する。
論文参考訳（メタデータ） (2019-05-29T11:35:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。