Learning and Decision-Making from Rank Data

چالش فراگیر یادگیری و تصمیم‌گیری از داده‌های رتبه‌بندی در شرایطی ایجاد می‌شود که سیستم‌های هوشمند داده‌های ترجیحی و رفتاری را از انسان جمع‌آوری می‌کنند، از داده‌ها یاد می‌گیرند و سپس از داده‌ها برای کمک به انسان‌ها برای تصمیم‌گیری کارآمد، مؤثر و به موقع استفاده می‌کنند. . اغلب، چنین داده‌هایی با رتبه‌بندی نشان داده می‌شوند.

این کتاب برخی از پیشرفت‌های اخیر را در جهت پرداختن به چالش از ملاحظات آمار، محاسبات، و اجتماعی-اقتصادی بررسی می‌کند. ما مدل‌های آماری کلاسیک را برای داده‌های رتبه‌بندی، از جمله مدل‌های کاربردی تصادفی، مدل‌های مبتنی بر فاصله، و مدل‌های مخلوط پوشش خواهیم داد. ما الگوریتم‌های کلاسیک و پیشرفته را مورد بحث و مقایسه قرار خواهیم داد، مانند الگوریتم‌های مبتنی بر کوچک‌سازی-بزرگ‌سازی (MM)، انتظار-بیشینه‌سازی (EM)، روش تعمیم‌یافته لحظه‌ها (GMM)، شکست رتبه، و تجزیه تانسور. . ما همچنین چارچوب های اصولی استخراج ترجیحات بیزی را برای جمع آوری داده های رتبه معرفی خواهیم کرد. در نهایت، ما جنبه‌های اجتماعی-اقتصادی مکانیسم‌های تصمیم‌گیری آماری مطلوب، مانند برآوردگرهای بیزی را بررسی می‌کنیم.

این کتاب می‌تواند از سه طریق مفید باشد: (1) برای نظریه‌پردازان در آمار و یادگیری ماشینی برای بهتر شدن بهتر آن. درک ملاحظات و هشدارهای یادگیری از داده های رتبه ای، در مقایسه با یادگیری از انواع دیگر داده ها، به ویژه داده های اصلی؛ (2) برای تمرین‌کنندگان برای استفاده از الگوریتم‌های تحت پوشش کتاب برای نمونه‌گیری، یادگیری و تجمیع. و (3) به عنوان یک کتاب درسی برای دانشجویان تحصیلات تکمیلی یا دانشجویان کارشناسی ارشد برای یادگیری در مورد این رشته.

این کتاب مستلزم آن است که خواننده دانش اولیه در احتمالات، آمار و الگوریتم ها داشته باشد. دانش در زمینه انتخاب اجتماعی نیز کمک می کند اما لازم نیست.

The ubiquitous challenge of learning and decision-making from rank data arises in situations where intelligent systems collect preference and behavior data from humans, learn from the data, and then use the data to help humans make efficient, effective, and timely decisions. Often, such data are represented by rankings.

This book surveys some recent progress toward addressing the challenge from the considerations of statistics, computation, and socio-economics. We will cover classical statistical models for rank data, including random utility models, distance-based models, and mixture models. We will discuss and compare classical and state of-the-art algorithms, such as algorithms based on Minorize-Majorization (MM), Expectation-Maximization (EM), Generalized Method-of-Moments (GMM), rank breaking, and tensor decomposition. We will also introduce principled Bayesian preference elicitation frameworks for collecting rank data. Finally, we will examine socio-economic aspects of statistically desirable decision-making mechanisms, such as Bayesian estimators.

This book can be useful in three ways: (1) for theoreticians in statistics and machine learning to better understand the considerations and caveats of learning from rank data, compared to learning from other types of data, especially cardinal data; (2) for practitioners to apply algorithms covered by the book for sampling, learning, and aggregation; and (3) as a textbook for graduate students or advanced undergraduate students to learn about the field.

This book requires that the reader has basic knowledge in probability, statistics, and algorithms. Knowledge in social choice would also help but is not required.