[论文解读] A Maximum Likelihood Approach For Selecting Sets of Alternatives

Ariel D. Procaccia, Sashank J. Reddi+1 more|arXiv (Cornell University)|Oct 16, 2012

Multi-Criteria Decision Making参考文献 17被引用 35

一句话总结

本文提出了一种最大似然框架，用于从噪声成对比较中选择k个备选项的子集，旨在识别最可能包含最强项或满足其他目标的集合。结果表明，在高噪声水平下，直观的选择方法是最优的，该研究将经典排序与选择理论推广至集合选择，提供了可证明的保证，并展现出强劲的实验性能。

ABSTRACT

We consider the problem of selecting a subset of alternatives given noisy evaluations of the relative strength of different alternatives. We wish to select a k-subset (for a given k) that provides a maximum likelihood estimate for one of several objectives, e.g., containing the strongest alternative. Although this problem is NP-hard, we show that when the noise level is sufficiently high, intuitive methods provide the optimal solution. We thus generalize classical results about singling out one alternative and identifying the hidden ranking of alternatives by strength. Extensive experiments show that our methods perform well in practical settings.

研究动机与目标

• 解决仅能获得噪声相对比较时，从备选项中选择k个子集的挑战。
• 在不确定性下识别最可能包含最强备选项或满足给定目标的集合。
• 将经典的选择与排序方法推广至选择集合而非单个项的情形。
• 提供简单直观选择方法为最优的理论条件。
• 在实际的噪声比较设置中对方法进行实证评估。

提出的方法

• 将集合选择问题建模为噪声成对比较下的最大似然估计任务。
• 使用具有独立同分布噪声的随机效用模型对备选项的强度进行建模。
• 推导出选择经验得分最高的k个备选项即为最大似然集合的条件。
• 建立在噪声水平足够高时，直观选择策略具有理论最优性的结论。
• 通过大量模拟评估不同噪声水平和问题实例下的性能表现。
• 采用概率排名模型计算候选k子集的似然，并选择最可能的集合。

实验结果

研究问题

• RQ1 在何种条件下，直观选择方法（如选择得分最高的k项）能产生最大似然k子集？
• RQ2 成对比较中的噪声水平如何影响简单选择启发式方法的最优性？
• RQ3 能否将用于选择单个最优项的最大似然方法推广至选择k个项的集合？
• RQ4 k子集的似然性与其底层备选项真实排序之间存在何种关系？
• RQ5 所提出的方法在实际的现实比较场景中表现如何？

主要发现

• 当噪声水平足够高时，选择经验得分最高的k个备选项在最大似然框架下可被严格证明为最优。
• 该方法将经典单一项选择结果推广至更复杂的集合选择情形。
• 直观启发式方法在高噪声下达到最优性能，为其使用提供了理论依据。
• 实证评估显示，方法在多种噪声水平和问题实例下均表现出色。
• k子集的似然性取决于所选项目之间的相对强度及其排序，模型通过概率效用框架捕捉了这一关系。
• 该方法在保持理论严谨性的同时，对实际应用也具备计算可行性。