[论文解读] 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 37

一句话总结

本文提出了一种广义马洛斯模型下的共识排序的精确推理方法，该模型是排列上的指数族模型。它引入了一个联合估计框架，用于中心排序和离散参数，利用基于成对偏好的共轭先验和充分统计量，在分布集中在众数附近时可实现可证明的精确搜索。

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.

研究动机与目标

• 解决在广义马洛斯模型下，从排名数据中估计共识排序和模型参数的挑战。
• 通过识别可处理的条件以克服共识排序估计的NP难性质，实现精确推理。
• 为排名上的指数模型构建一个基于共轭先验的合理贝叶斯框架。
• 将模型的充分统计量表征为项目偏好的成对边际概率。
• 通过与现有启发式方法的对比实验，验证理论框架的有效性。

提出的方法

• 将广义马洛斯模型表述为关于中心排序 π₀ 和离散参数 θ 的联合指数族分布。
• 通过利用指数族结构，推导出模型参数的共轭先验。
• 将充分统计量识别为所有项目对 (i,j) 的成对边际概率 P(i ≻ j)。
• 在排列空间上实现精确搜索算法（最坏情况下为 n!），但证明当真实分布集中在众数附近时具有可处理性。
• 利用指数模型的结构，通过最大后验概率或类似推理方法实现 π₀ 和 θ 的联合估计。
• 利用共轭先验实现高效的贝叶斯推理和不确定性量化。

实验结果

研究问题

• RQ1 尽管存在NP难性质，是否仍可在广义马洛斯模型下实现共识排序的精确推理？
• RQ2 广义马洛斯模型在排名上的充分统计量结构是什么？
• RQ3 如何为排列上的指数模型构建共轭先验？
• RQ4 在何种条件下，共识排序的搜索空间变得可处理？
• RQ5 与现有启发式方法相比，所提方法在性能和准确性方面表现如何？

主要发现

• 广义马洛斯模型在中心排序 π₀ 和离散参数 θ 上均为联合指数族。
• 该模型的充分统计量为所有项目对的成对边际概率 P(i ≻ j)。
• 当真实分布集中在众数附近时，可通过搜索实现 π₀ 和 θ 的精确估计。
• 该模型具有共轭先验，从而支持合理的贝叶斯推理。
• 初步实验验证了理论预测，并显示出相对于现有启发式方法的优越性能。
• 当数据分布足够集中时，尽管最坏情况复杂度为NP难，该方法在实践中仍能实现精确推理。