[论文解读] Machine Learning Model for Sparse PCM Completion

Selcuk Koyuncu, Ronak Nouri+1 more|arXiv (Cornell University)|Jan 7, 2026

Face and Expression Recognition被引用 0

一句话总结

本文提出一种基于图的机器学习模型，在实现乘法一致性的同时完成稀疏成对比较矩阵（PCM），并将性能与经典的对数最小二乘法（LLS）方法进行比较。

ABSTRACT

In this paper, we propose a machine learning model for sparse pairwise comparison matrices (PCMs), combining classical PCM approaches with graph-based learning techniques. Numerical results are provided to demonstrate the effectiveness and scalability of the proposed method.

研究动机与目标

• 在大规模场景中并非所有成对判断都被观测到时，激发需要完成稀疏PCM的动机。
• 开发一个学习驱动的框架，将项目嵌入为节点嵌入，并在对数空间中在执行传递性约束的同时预测缺失比较。
• 证明所提模型具有可扩展性，在合成数据上对比经典基线仍能获得有竞争力的准确性。

提出的方法

• 将PCM建模为带有观测边的有向图，并对基数数据在对数空间给出目标值。
• 通过带有消息传递的浅层图神经网络更新节点嵌入，以预测边差。
• 对嵌入差进行线性边端头预测缺失项，并对结果取指数以获得预测比值。
• 通过在对数空间中的三角形损失实现乘法一致性，并对网络权重引入正则化项。
• 通过几何均值投影将预测条目投影到完全互惠的PCM，以确保互惠性。
• 评估BTL模式（二元结果）和LLS模式（基数数据），并与对数最小二乘法（LLS）进行比较。

实验结果

研究问题

• RQ1 图基ML模型在促进乘法一致性的同时，是否能准确完成稀疏PCM？
• RQ2 在合成稀疏PCM上，与传统LLS相比，ML方法在RMSE和排序指标方面表现如何？
• RQ3 对于大n和稀疏观测模式，ML模型的可扩展性有何影响？
• RQ4 将三角一致性损失纳入是否提升预测性能中的传递性？

主要发现

n	p	edges	LLS time	LLS RMSE	LLS τ	ML time	ML RMSE	ML τ
200	0.010000	203	0.007000	0.866000	0.866000	14.231000	0.868000	0.614000
200	0.020000	426	0.011000	0.283000	0.903000	15.631000	0.285000	0.901000
200	0.050000	980	0.012000	0.162000	0.958000	17.536000	0.162000	0.958000
400	0.010000	821	0.041000	0.361000	0.886000	22.437000	0.363000	0.886000
400	0.020000	1570	0.066000	0.184000	0.951000	18.862000	0.184000	0.951000
400	0.050000	3946	0.079000	0.167000	0.976000	19.484000	0.167000	0.976000
800	0.010000	3227	0.260000	0.194000	0.955000	24.839000	0.194000	0.955000
800	0.020000	6544	0.217000	0.165000	0.972000	20.915000	0.165000	0.972000
800	0.050000	16050	0.263000	0.154000	0.984000	22.408000	0.154000	0.984000

• ML与LLS在 held-out 对数比值的RMSE与肯德尔τ在不同稀疏度下非常相近。
• 边密度仅5%时，排序恢复接近完美（tau ≈ 0.98）。
• ML在准确性上与LLS具有竞争力，同时具有更大的建模灵活性，尽管LLS因解线性系统在每个epoch的速度显著更快。
• 该方法在稀疏表示下具有可扩展性；每个epoch的成本大致与观测边数量线性相关，适用于中到大规模场景。
• 几何均值投影确保预测后完成的PCM完全互惠。
• 实验表明ML方法在不同n和p区间内仍保持可扩展性与竞争力。