BriefGPT - AI 论文速递
·
RUMBoost: 梯度提升的随机效用模型
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本研究提出了一种新颖灵活的基于排名打破的复合边际似然 (RBCML) 框架，用于学习随机效用模型 (RUMs)，包括 Plackett-Luce 模型，并利用证明严格对数凹性在卷积和边际化下得以保持的方法，表征了 RBCML 的目标函数为严格对数凹性的条件，进一步表征了 RBCML 满足一致性和渐近正态的必要和充分条件。在合成数据上进行的实验表明，高斯 RUMs 的 RBCML 比最先进的算法的统计效率和计算效率更好，而我们针对 Plackett-Luce 模型的 RBCML 提供了灵活的运行时间和统计效率的权衡。
🎯
关键要点
-
提出了一种基于排名打破的复合边际似然 (RBCML) 框架。
-
RBCML 用于学习随机效用模型 (RUMs)，包括 Plackett-Luce 模型。
-
证明了严格对数凹性在卷积和边际化下得以保持的方法。
-
表征了 RBCML 的目标函数为严格对数凹性的条件。
-
进一步表征了 RBCML 满足一致性和渐近正态的必要和充分条件。
-
合成数据实验表明，高斯 RUMs 的 RBCML 在统计效率和计算效率上优于最先进的算法。
-
针对 Plackett-Luce 模型的 RBCML 提供了灵活的运行时间和统计效率的权衡。
🏷️
标签
➡️
