优化器的部分排序
内容提要
该文提出基于深度函数分析偏序集的框架，引入联合无冗余泛型深度用于比较机器学习算法，并涵盖可微分排序、协同偏好完成及CatBoost等排序优化研究。
延伸解读
从偏序到算法比较：ufg深度的新视角
文章提出基于深度函数分析偏序集的框架，并引入联合无冗余泛型（ufg）深度，用于比较机器学习算法。与现有基准测试方法相比，该方法在标准数据集上的分类器比较示例中显示出显著差异，为分类器比较提供了新视角。
可微分排序：效率与新颖应用
文章介绍了首个具有O(n log n)时间和O(n)空间复杂度的可微分排序和排名操作，通过在排列凸包上的投影和保序优化减少实现。实验证明该方法比现有方法快一个数量级，并展示了可微Spearman秩相关系数和最小修剪平方两个新应用。
CatBoost：直接优化排名度量的高效框架
文章提出了用于直接优化排名度量的CatBoost框架，包含随机平滑和基于部分积分的新梯度估计两种技术。研究证明经典平滑方法可能引入偏差，并提出了通用去偏差解决方案，该算法保证全局收敛性，在多个学习排名数据集上优于现有方法。
Q&A
什么是联合无冗余泛型深度（ufg深度）？
联合无冗余泛型深度（ufg深度）是一种适用于所有部分排序的单形深度的改进方法，用于对部分排序集进行描述性分析。
如何利用ufg深度比较机器学习算法？
利用ufg深度对基于多维性能度量的机器学习算法进行比较，通过在标准基准数据集的样本上提供两个分类器比较的例子，展示基于ufg方法的不同分析方法的广泛应用。
可微分排序操作的时间复杂度是多少？
可微分排序和排名操作具有O(n log n)时间复杂度和O(n)空间复杂度。
CatBoost算法使用了哪些技术来优化排名度量？
CatBoost使用了随机平滑和基于部分积分的新梯度估计两种技术，并提出了一个通用解决方案进行去偏差，保证全局收敛性。
协同偏好完成问题的高效算法是如何工作的？
该算法利用偏好通常被记为数字分数但感兴趣的预测量是底层排名的观察结论，直接拟合底层偏好顺序的估计器结合核范数约束来鼓励低秩参数，计算复杂度与基于核范数规则化估计的矩阵完成标准算法相差不大。
基于部分排名推测全局偏好的随机分配方案是什么？
该方案研究基于部分排名来推测全局偏好的问题，重点关注如何最优地为排名分配物品及数量以达到目标估计误差，并提出了一种随机分配方案，实验证实了理论发现。
