[論文レビュー] Bayesian inference from rank data

Øystein Sørensen, Valeria Vitelli+2 more|arXiv (Cornell University)|May 30, 2014

Game Theory and Voting Systems参考文献 31被引用数 2

ひとこと要約

本稿では、任意の右不変距離を用いたマラス順位モデルにおける計算効率の良いベイズ推論手法を開発し、トップ-t順位、対比較、時変順位など、柔軟な順位データ解析を可能にした。本手法は、コンSENSUS推定、評価者におけるクラスタリング、時間経過に伴う回帰をサポートし、シミュレーションデータ、実験的データ、ベンチマークデータで実証された性能を示した。

ABSTRACT

Modeling and analysis of rank data have received renewed interest in the era of big data, when recruited and volunteer assessors compare and rank objects to facilitate decision mak-ing in disparate areas, from politics to entertainment, from education to marketing. The Mallows rank model is among the most successful approaches, but its use has been limited to a particular form based on the Kendall distance, for which the normalizing constant has a simple analytic expression. In this paper, we develop computationally tractable methods for performing Bayesian inference in Mallows models with any right-invariant metric, thereby allowing for greatly extended flexibility. Our methods also allow to estimate consensus rank-ings for data in the form of top-t rankings, pairwise comparisons, and other linear orderings. In addition, clustering via mixtures allows to find substructure among assessors. Finally we construct a regression framework for ranks which vary over time. We illustrate and investigate our approach on simulated data, on performed experiments, and on benchmark data.

研究の動機と目的

• 従来のケンダール距離に限らない、任意の右不変距離へのマラスモデルにおけるベイズ推論の拡張により、モデルの柔軟性を向上させること。
• トップ-t順位や対比較などの不完全または部分的な順位データからコンセンサス順位を推定できることを可能にすること。
• 混合モデルを用いて、異なる順位行動を示すサブグループを同定することで、評価者のクラスタリングを支援すること。
• 時間経過に伴い変化する順位をモデル化・推定する回帰フレームワークの構築。
• 大規模データ環境における実世界の順位データにスケーラブルな計算可能な推論手法を提供すること。

提案手法

• 置換群上の右不変距離の数学的構造を活用し、ケンダール距離に限らないマラスモデルの一般化を実現する。
• 置換空間および右不変幾何構造に適合した効率的な提案分布を備えたマルコフ連鎖モンテカルロ（MCMC）手法を採用する。
• コンセンサス順位およびスケールパラメータに対して共役事前分布を設定し、ギブスサンプリングによる後erior計算を可能にする。
• 上位t順位や対比較を処理するため、潜在的な完全順位をモデル化することでデータ拡張技術を統合する。
• 評価者ごとの有限混合モデルを適用し、一貫した順位行動を示すサブ集団を同定する。
• 時変パラメータを有する状態空間定式化を用いて、時間経過に伴い変化するコンセンサス順位をモデル化する動的回帰モデルを構築する。

実験結果

リサーチクエスチョン

• RQ1 ベイズ推論をマラスモデルに応用する際、ケンダール距離に限らず任意の右不変距離へどのように一般化できるか。
• RQ2 トップ-tリストや対比較といった部分的順位データから、コンセンサス順位を正確に推定できるか。
• RQ3 評価者のクラスタリングによって、順位データに隠れたサブ構造をどの程度明らかにできるか。
• RQ4 回帰フレームワークを用いて、時間経過に伴う順位の変化する好みをどのようにモデル化・推定できるか。
• RQ5 提案手法の計算的・統計的性能は、実世界およびシミュレーションデータにおいてどの程度であるか。

主な発見

• 提案されたベイズフレームワークにより、任意の右不変距離を用いたマラスモデルにおける効率的推論が可能となり、正規化定数の閉形式が必要という制限を克服した。
• 上位t順位や対比較からのコンセンサス順位推定においても高い正確性を達成し、シミュレーション研究でその頑健性が実証された。
• 混合モデルによるクラスタリングは、シミュレーションおよび実データの両方で、一貫した順位行動を示す明確なサブ集団を効果的に同定した。
• 時変回帰モデルは、時間的傾向を示すベンチマークデータセットにおいて、動的な好みの変化を強く適合させた。
• 計算手法は大規模な順位データに効果的にスケーリングでき、MCMCチェインの混合が良く、実験全体にわたり後erior推定が信頼性高く収束した。