对数凹随机效用模型下的排序学习算法
热点事件持续更新
对数凹随机效用模型下的排序学习算法
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
Diego Alovisetti、Marco Mussi 和 Alberto Maria Metelli 发表论文，研究在对数凹噪声的随机效用模型下，如何从人类比较反馈中恢复物品排序。反馈分两类：完整排序，以及仅揭示第一名的胜者反馈。 作者为这两类反馈建立了最坏情况样本复杂度下界，并提出匹配至对数因子的算法，且算法无需知道噪声分布，只需方差上界。结论称，仅知胜者反馈的排序问题本质上更难，其样本复杂度取决于物品集合中的最小获胜概率。
AI 根据报道生成 · 7 小时前更新
最新进展10月7日 12:00
在 Log-Concave 随机效用模型中从人类反馈学习排序报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv cs.LG在 Log-Concave 随机效用模型中从人类反馈学习排序
研究在 log-concave 噪声的随机效用模型下，从人类比较反馈中恢复物品排序所需的样本量。反馈分完整排序与仅揭示第一名两种类型，作者为二者建立了最坏情况样本复杂度下界，并提出匹配至对数因子的算法，且无需知道噪声分布、仅需方差上界。结果表明仅知胜者反馈的排序问题本质上更难，其样本复杂度取决于物品集合中的最小获胜概率。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。