論文の概要: Model inference for ranking from pairwise comparisons

• arxiv url: http://arxiv.org/abs/2512.15269v1
• Date: Wed, 17 Dec 2025 10:20:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.933533
• Title: Model inference for ranking from pairwise comparisons
• Title（参考訳）: ペア比較によるランキングのモデル推論
• Authors: Daniel Sánchez Catalina, George T. Cantwell,
• Abstract要約: ノイズの多いペアワイズ比較からオブジェクトをランク付けする問題を考察する。 それぞれのオブジェクトは観測されない強度を持ち、比較の結果はコンパランドの強度に確率的に依存すると仮定する。 観測できない強度と確率に強度をマッピングする関数を同時に推定する効率的なアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of ranking objects from noisy pairwise comparisons, for example, ranking tennis players from the outcomes of matches. We follow a standard approach to this problem and assume that each object has an unobserved strength and that the outcome of each comparison depends probabilistically on the strengths of the comparands. However, we do not assume to know a priori how skills affect outcomes. Instead, we present an efficient algorithm for simultaneously inferring both the unobserved strengths and the function that maps strengths to probabilities. Despite this problem being under-constrained, we present experimental evidence that the conclusions of our Bayesian approach are robust to different model specifications. We include several case studies to exemplify the method on real-world data sets.
• Abstract（参考訳）: 例えば,テニス選手を試合結果からランク付けするなど,ノイズの多いペアワイズ比較からオブジェクトをランク付けする問題を考察する。 この問題に対する標準的なアプローチに従い、各対象が観測されない強度を持ち、各比較の結果がコンパランドの強度に確率的に依存すると仮定する。 しかしながら、私たちは、スキルが結果にどのように影響するかを優先的に知ることを前提としません。 代わりに、観測されない強度と確率に強度をマッピングする関数を同時に推定する効率的なアルゴリズムを提案する。 この問題は制約されていないにもかかわらず、ベイズ的アプローチの結論が異なるモデル仕様に対して堅牢であることを示す実験的な証拠を提示する。 実世界のデータセット上での手法を実証するいくつかのケーススタディを含む。

関連論文リスト

• Learning when to rank: Estimation of partial rankings from sparse, noisy comparisons [0.0]
  偏位を学習するための原理的非パラメトリックベイズ法(階層付きランク)を開発する。 そこで本研究では,実データと合成データを用いて,本手法の性能について検討する。
  論文  参考訳（メタデータ） (2025-01-05T11:04:30Z)
• A Data-Driven Two-Phase Multi-Split Causal Ensemble Model for Time Series [0.8252665500568257]
  因果推論は、多くの分野における因果関係を発見するための基本的な研究テーマである。 一部のアプローチは線形関係を特定できるだけであり、他のアプローチは非線型性に適用できる。 本稿では,データ駆動型マルチスプリット因果アンサンブルモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-04T14:20:41Z)
• Valid Inference After Causal Discovery [73.87055989355737]
  我々は、因果関係発見後の推論に有効なツールを開発する。 因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:40:45Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)
• Few-shot Visual Reasoning with Meta-analogical Contrastive Learning [141.2562447971]
  本稿では,類似推論に頼って,数ショット(または低ショット)の視覚推論問題を解くことを提案する。 両領域の要素間の構造的関係を抽出し、類似学習と可能な限り類似するように強制する。 RAVENデータセット上での本手法の有効性を検証し, トレーニングデータが少ない場合, 最先端の手法より優れることを示す。
  論文  参考訳（メタデータ） (2020-07-23T14:00:34Z)
• Almost-Matching-Exactly for Treatment Effect Estimation under Network Interference [73.23326654892963]
  本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。 本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
  論文  参考訳（メタデータ） (2020-03-02T15:21:20Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)
• Preference Modeling with Context-Dependent Salient Features [12.403492796441434]
  本稿では,各項目の特徴について,ノイズの多いペアワイド比較から,項目集合のランキングを推定する問題を考察する。 私たちのキーとなる観察は、他の項目から分離して比較した2つの項目は、機能の健全なサブセットのみに基づいて比較できるということです。
  論文  参考訳（メタデータ） (2020-02-22T04:05:16Z)
• Learning Overlapping Representations for the Estimation of Individualized Treatment Effects [97.42686600929211]
  観測データから代替案の可能性を推定することは難しい問題である。 入力のドメイン不変表現を学習するアルゴリズムは、しばしば不適切であることを示す。 我々は,様々なベンチマークデータセットの最先端性を大幅に向上させる,ディープカーネル回帰アルゴリズムと後続正規化フレームワークを開発した。
  論文  参考訳（メタデータ） (2020-01-14T12:56:29Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。