基于多注释器标注下的标签排序学习方法

现有的排序学习概念假设每个训练样本都与实例和可靠的标签相关联,但这种假设对保持标签的真实性并不适用。因此,当每个训练实例都被多个可能不可靠的注释器标注时,可以通过列表排序学习从多个注释器中获得的众包标签来进行排序学习功能。结合Mallows模型和Plackett-Luce(P-L)模型,提出一种新的概率排序模型。将注释器的辅助信息作为约束函数融合到参数估计中,并使用最大似然估计方法学习得到参数集。通过最大期望算法(EM)迭代更新参数集,得到最优注释器的专业知识程度的参数集和排名函数参数。实验结果显示,最大似然估计方法明显优于直接排序方法,辅助信息的加入有助于提高注释器的排名功能和专业知识程度。

排名聚合算法在少量长列表聚合中的性能比较分析

排名聚合将多个排名列表聚合成一个综合排名列表,可应用于推荐系统、链路预测、元搜索、提案评选等.当前已有工作从不同角度对不同排名聚合算法进行了综述、比较,但存在算法种类较少、数据统计特性不清晰、评价指标不够合理等局限性.不同排名聚合算法在提出时均声称优于已有算法,但是用于比较的方法不同,测试的数据不同,应用的场景不同,因此何种算法最能适应某一任务在很多情况下仍不甚清楚.本文基于Mallows模型,提出一套生成统计特性可控的不同类型的排名列表的算法,使用一个可应用于不同类型排名列表的通用评价指标,介绍9种排名聚合算法以及它们在聚合少量长列表时的表现.结果发现启发式方法虽然简单,但是在排名列表相似度较高、列表相对简单的情况下,能够接近甚至超过一些优化类方法的结果;列表中平局数量的增长会降低聚合排名的一致性并增加波动;列表数量的增加对聚合效果的影响呈现非单调性.整体而言,基于距离优化的分支定界方法 (FAST)优于其他各类算法,在不同类型的排名列表中表现非常稳定,能够很好地完成少量长列表的排名聚合.

均值模型中多变点问题的平均估计方法

文章研究了可能存在多个变点的均值突变模型的平均估计方法.给出了参数渐变的均值模型的渐近性质,说明了在模型错误设定时传统突变模型估计方法的局限性.因此文章主要通过Mallows准则建立了多变点模型的平均估计,并证明了在真实模型为变点模型的条件下,该Mallows模型平均估计量具有n1/2相合性.模拟实验结果验证了该估计量的相合性,其收敛速度为n1/2,并通过一个实例表明文章的估计方法相比于传统方法具有更高的统计效率.