[論文レビュー] Consensus ranking under the exponential model

Marina Meilă, Kapil Phadnis+2 more|arXiv (Cornell University)|Jun 20, 2012

Game Theory and Voting Systems参考文献 12被引用数 37

ひとこと要約

本稿では、順序の指数型分布族である一般化されたマラーズモデルにおけるコンSENSUSランキングの正確な推論手法を提案する。この手法は、中心順序と分散パラメータの共同推定フレームワークを導入し、共役事前分布とペアワイズの好みに基づく十分統計量を用い、分布がそのモードの周囲に集中している場合に正確な探索が可能であることを保証する。

ABSTRACT

We analyze the generalized Mallows model, a popular exponential model over rankings. Estimating the central (or consensus) ranking from data is NP-hard. We obtain the following new results: (1) We show that search methods can estimate both the central ranking pi0 and the model parameters theta exactly. The search is n! in the worst case, but is tractable when the true distribution is concentrated around its mode; (2) We show that the generalized Mallows model is jointly exponential in (pi0; theta), and introduce the conjugate prior for this model class; (3) The sufficient statistics are the pairwise marginal probabilities that item i is preferred to item j. Preliminary experiments confirm the theoretical predictions and compare the new algorithm and existing heuristics.

研究の動機と目的

• 一般化されたマラーズモデルの下で順序データからコンセンサスランキングとモデルパラメータを推定する課題に対処すること。
• コンセンサスランキング推定のNP困難性を克服し、正確な推論が可能な条件を同定すること。
• 順序の指数型分布のための共役事前分布を用いた整合的なベイズ枠組みを構築すること。
• モデルの十分統計量をアイテムのペアワイズマージナル確率 P(i ≻ j) として同定すること。
• 提案手法を既存のヒューリスティクスと比較する実験を通じて理論的枠組みの妥当性を検証すること。

提案手法

• 中心順序 π₀ と分散パラメータ θ に対する一般化されたマラーズモデルを、両者を同時に含む指数型分布族として定式化する。
• 指数型分布族の構造を活用して、モデルパラメータの共役事前分布を導出する。
• 十分統計量をすべてのアイテムペア (i,j) に対して P(i ≻ j) として特定する。
• 置換空間（最悪ケースでは n!）上で正確な探索アルゴリズムを実装するが、真の分布がそのモードの周囲に集中している場合には計算が tractable であることを示す。
• 指数型モデルの構造を活用して、最尤推定や類似手法による π₀ と θ の共同推定を可能にする。
• 共役事前分布を活用して、効率的なベイズ推論と不確実性の定量化を実現する。

実験結果

リサーチクエスチョン

• RQ1 一般化されたマラーズモデルにおけるコンセンサスランキングの正確な推論は、そのNP困難性にもかかわらず達成可能か？
• RQ2 一般化されたマラーズモデルの十分統計量の構造は何か？
• RQ3 順序の指数型モデルに対して共役事前分布をどのように構築できるか？
• RQ4 コンセンサスランキングの探索空間がどの条件下で tractable になるか？
• RQ5 提案手法は、既存のヒューリスティクス手法と比較して性能と精度で優れているか？

主な発見

• 一般化されたマラーズモデルは、中心順序 π₀ と分散パラメータ θ の両方に関して同時に指数型である。
• モデルの十分統計量は、すべてのアイテムペアに対して P(i ≻ j) である。
• 真の分布がそのモードの周囲に集中している場合には、π₀ と θ の正確な推定が探索によって可能である。
• モデルは共役事前分布を備えており、整合的なベイズ推論を可能にする。
• 予備の実験結果は理論的予測を確認しており、既存のヒューリスティクスと比較して良好な性能を示している。
• データの分布が十分に集中している場合には、NP困難な最悪ケースの複雑さにもかかわらず、実用的に正確な推論が達成可能である。