[论文解读] Comparison-Based Choices

Jon Kleinberg, Sendhil Mullainathan+1 more|arXiv (Cornell University)|May 16, 2017

Data Management and Algorithms参考文献 25被引用 9

一句话总结

本文引入基于比较的选择函数以建模受选择集效应影响的人类决策行为，表明此类函数的推断查询复杂度可与基本的最大值/最小值函数相媲美。关键贡献在于，即使在异质人群的主动或被动查询设置下，选择集效应也不会本质上增加算法复杂度。

ABSTRACT

A broad range of on-line behaviors are mediated by interfaces in which people make choices among sets of options. A rich and growing line of work in the behavioral sciences indicate that human choices follow not only from the utility of alternatives, but also from the choice set in which alternatives are presented. In this work we study comparison-based choice functions, a simple but surprisingly rich class of functions capable of exhibiting so-called choice-set effects. Motivated by the challenge of predicting complex choices, we study the query complexity of these functions in a variety of settings. We consider settings that allow for active queries or passive observation of a stream of queries, and give analyses both at the granularity of individuals or populations that might exhibit heterogeneous choice behavior. Our main result is that any comparison-based choice function in one dimension can be inferred as efficiently as a basic maximum or minimum choice function across many query contexts, suggesting that choice-set effects need not entail any fundamental algorithmic barriers to inference. We also introduce a class of choice functions we call distance-comparison-based functions, and briefly discuss the analysis of such functions. The framework we outline provides intriguing connections between human choice behavior and a range of questions in the theory of sorting.

研究动机与目标

• 建模人类选择行为，其不仅依赖于内在效用，还受选择集构成的影响，这与行为实验中的观察结果一致。
• 分析在主动与被动查询模型下，推断基于比较的选择函数的算法复杂度。
• 证明选择集效应不会带来根本性的效率障碍，其复杂度与标准排序算法相当。
• 将框架扩展至基于距离比较的函数，并将其与认知嵌入学习和排序理论相联系。
• 为复杂决策行为中的统一推断理论奠定基础，涵盖异质人群与多维嵌入。

提出的方法

• 本文将基于比较的选择函数定义为：选择结果取决于选择集内部的相对比较，而非固定的全局排序。
• 引入了‘基于距离比较’函数的概念，其中选择基于备选项之间的相对距离或相似性。
• 作者在主动与被动设置下分析了查询复杂度，表明推断一维基于比较的选择函数需要 O(N log N) 次查询，以完成 N 次成对比较。
• 提出一种广义群体中位数算法，通过 k 对比较查询高效推断距离排序。
• 该框架与排序理论建立联系，表明基于比较的选择函数推断达到了与经典比较排序相同的渐近复杂度。
• 模型被扩展以考虑异质人群和混合选择行为，提示未来研究应关注此类函数混合学习。

实验结果

研究问题

• RQ1 基于比较的选择函数（如表现出妥协效应的选择集效应）能否以与标准排序相当的查询复杂度进行推断？
• RQ2 与主动查询相比，被动观察选择流时，推断的查询复杂度如何变化？
• RQ3 基于距离比较的选择函数能否被高效学习？它们与认知嵌入任务有何关联？
• RQ4 人口异质性对基于比较的选择函数推断有何影响？
• RQ5 该框架如何扩展至多维嵌入与更复杂的决策行为？

主要发现

• 任何一维基于比较的选择函数，其推断的渐近查询复杂度与简单最大值或最小值函数相同，即对于 N 次成对比较，复杂度为 O(N log N)。
• 该框架通过广义群体中位数算法，可高效推断距离排序，该算法通过询问‘在 k 组中哪一对最不相似？’来实现。
• 被动查询流可用于推断选择函数，但将被动观察与人口异质性相结合仍是一个开放挑战。
• 结果表明，选择集效应不会引入根本性的算法障碍，其复杂度仍处于已知排序复杂度范围内。
• 该模型为学习复杂人类决策行为提供了坚实的理论基础，并与认知心理学和机器学习建立了联系。
• 本文指出了在学习函数混合、噪声环境或多维设置下的开放问题，为未来研究指明了方向。