[論文レビュー] As you like it: Localization via paired comparisons

Andrew K. Massimino, Mark A. Davenport|arXiv (Cornell University)|Feb 19, 2018

Distributed Sensor Networks and Detection Algorithms参考文献 43被引用数 6

ひとこと要約

本稿では、ランダム化モデルに基づくランドマーク点を用いて、ユークリッド空間内の点の局所化を二項対比較（'x は p より q より近い'）によって行う手法を提案する。理論的に、誤差 ε 以内で目的ベクトル x を推定するために、およそ $ nR/\epsilon $ 個の比較で十分であることが示され、ノイズに対して頑健であり、比較ペアの適応的選択により顕著な性能向上が達成される。

ABSTRACT

Suppose that we wish to estimate a vector $\mathbf{x}$ from a set of binary paired comparisons of the form "$\mathbf{x}$ is closer to $\mathbf{p}$ than to $\mathbf{q}$" for various choices of vectors $\mathbf{p}$ and $\mathbf{q}$. The problem of estimating $\mathbf{x}$ from this type of observation arises in a variety of contexts, including nonmetric multidimensional scaling, "unfolding," and ranking problems, often because it provides a powerful and flexible model of preference. We describe theoretical bounds for how well we can expect to estimate $\mathbf{x}$ under a randomized model for $\mathbf{p}$ and $\mathbf{q}$. We also present results for the case where the comparisons are noisy and subject to some degree of error. Additionally, we show that under a randomized model for $\mathbf{p}$ and $\mathbf{q}$, a suitable number of binary paired comparisons yield a stable embedding of the space of target vectors. Finally, we also show that we can achieve significant gains by adaptively changing the distribution for choosing $\mathbf{p}$ and $\mathbf{q}$.

研究の動機と目的

• 既知のランドマーク点への距離の二項対比較のみを用いて、特徴空間内でのユーザーの理想点 $\mathbf{x}$ を推定すること。
• ランダム化モデル下で、正確な局所化に必要な最小の比較回数を特定すること。
• 実用的状況におけるノイズや誤った比較に対する頑健性を分析すること。
• 非適応的サンプリングと比較して、比較ペアの適応的選択が推定精度を顕著に向上させるかを調査すること。
• 高次元空間における安定な埋め込みと局所化精度についての理論的保証を確立すること。

提案手法

• ユーザーの理想点 $\mathbf{x}$ を $\mathbb{R}^n$ 内の点としてモデル化し、観測は二項対比較 $\|\mathbf{x} - \mathbf{p}_i\| < \|\mathbf{x} - \mathbf{q}_i\|$ の形で与える。
• ランドマーク点 $\mathbf{p}_i, \mathbf{q}_i$ が分散 $\sigma^2$ の球状ガウス分布から独立同分布に抽出されるランダム化モデルを採用する。
• 比較から得られる制約を用いて、$\mathbf{x}$ の $\ell_2$-ノルムを最小化する凸最適化問題として局所化問題を定式化する。
• ランダム化モデル下で、測度集中と確率的行列理論を用いて推定誤差の理論的境界を確立する。
• 中間的な $\mathbf{x}$ の推定に基づいて、比較ペアの分布を再中心化・再スケーリングする適応戦略を導入し、精度を向上させる。
• ノイズを比較プロセスに注入（ガウス分布、ロジスティック分布、一様分布、および敵対的誤差）し、その結果生じる推定誤差を測定することで、頑健性を評価する。

実験結果

リサーチクエスチョン

• RQ1 ランドマーク点のランダム化モデル下で、$\mathbf{x}$ の推定に必要な二項対比較の数はどれくらいか？
• RQ2 推定誤差は次元 $n$、目標ノルム $R$、および所望の精度 $\epsilon$ に対してどのようにスケーリングされるか？
• RQ3 比較データにノイズや誤りが存在する場合、局所化精度にどのような影響を与えるか？
• RQ4 非適応的サンプリングと比較して、比較ペアの適応的選択が推定性能を顕著に向上させるか？
• RQ5 比較超平面で定義される空間における $\mathbf{x}$ の埋め込みの理論的安定性はいかなるものか？

主な発見

• ランダム化モデル下で、$\widetilde{O}(nR/\epsilon)$ 個の二項対比較で、$\mathbf{x}$ の推定誤差を $\epsilon$ 以内に抑えることが可能である（対数要因を除いて）。
• この手法は近似的に最適であり、一様誤差境界を満たすために、いかなる比較スキームでも $\Omega(nR/\epsilon)$ 個の比較を必要とすることが示された。
• ガウス分布、ロジスティック分布、および一様分布の前量子化ノイズなど、さまざまなノイズモデルに対しても推定器は安定かつ頑健であり、ノイズ分散が増加するに従い推定誤差が滑らかに増加する。
• 十分な数の比較が利用可能な場合、中間推定に基づいて比較ペアの分布を再調整する適応的選択により、非適応的サンプリングに比べて指数的改善が達成される。
• 有限の固定集合からの適応的選択（例：棄却サンプリングやダイアディックスケーリングを用いて）は、非適応的サンプリングを著しく上回る性能を示す。$\mathbb{R}^3$ 内の10,000個のアイテムを用いた実験でもその有効性が確認された。
• 最も遠い比較が反転する敵対的状況下でも、誤差は増加するが、依然として合理的な性能を維持する。