MM algorithms for generalized Bradley-Terry models
广义 Bradley–Terry 模型的 MM 算法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究成对比较的离散结果概率模型及其似然估计，与离散响应建模直接相关。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
广义 Bradley–Terry 模型的 MM 算法
- 研究问题
- 对于描述成对比较结果概率的 Bradley–Terry 模型及其多种推广，如何系统构造最大似然迭代算法并保证收敛？
- 方法与思路
- 作者基于下界化—最大化的 MM 理论构造广泛模型推广的迭代最大似然算法，并给出收敛到唯一估计量的条件。
- 材料陈述的贡献
- 摘要称该框架可系统生成过去常需单独设计的算法，并提供若干新的算法与收敛结果，统一处理多类成对比较模型。
- 阅读关注点
- 应核对覆盖哪些模型推广、每步下界函数的构造，以及保证最大似然解唯一和迭代收敛的具体条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体模型范围和收敛条件未列出，不能据此判断收敛速度或所有数据下的解唯一性。
原文摘要
The Bradley-Terry model for paired comparisons is a simple and much-studied means to describe the probabilities of the possible outcomes when individuals are judged against one another in pairs. Among the many studies of the model in the past 75 years, numerous authors have generalized it in several directions, sometimes providing iterative algorithms for obtaining maximum likelihood estimates for the generalizations. Building on a theory of algorithms known by the initials MM, for minorization-maximization, this paper presents a powerful technique for producing iterative maximum likelihood estimation algorithms or a wide class of generalizations of the Bradley-Terry model. While algorithms for problems of this type have tended to be custom-built in the literature, the techniques in this paper enable their mass production. Simple conditions are stated that guarantee that each algorithm described will produce a sequence that converges to the unique maximum likelihood estimator. Several of the algorithms and convergence results herein are new.