Covariate Assisted Entity Ranking with Sparse Intrinsic Scores
稀疏内在得分下的协变量辅助对象排序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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确扩展用于偏好比较与对象排序的 Bradley–Terry–Luce 模型，直接涉及离散选择建模。
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
稀疏内在得分下的协变量辅助对象排序
- 研究问题
- 当对象偏好得分不能完全由协变量解释，而剩余内在得分具有稀疏性时，如何识别模型、估计排名并量化排序不确定性？
- 方法与思路
- 作者扩展 Bradley–Terry–Luce 模型，加入协变量和稀疏对象得分，分析惩罚极大似然估计，并构造去偏估计与排名置信区间。
- 材料陈述的贡献
- 摘要称，论文提出识别条件、估计收敛率和去偏分布理论，并据此检验协变量能否完全解释偏好得分及开展排名推断。
- 阅读关注点
- 应核对协变量效应与对象内在得分如何区分、稀疏性条件和去偏步骤，并检查拟合优度检验及排名区间的覆盖对象。
- 阅读边界
- 这是 arXiv 预印本，未核验同行评审或期刊接收；摘要未给出比较数据结构、具体识别限制及数值结果，不能判断稀疏设定的适用性。
原文摘要
This paper addresses the item ranking problem with associate covariates, focusing on scenarios where the preference scores can not be fully explained by covariates, and the remaining intrinsic scores, are sparse. Specifically, we extend the pioneering Bradley-Terry-Luce (BTL) model by incorporating covariate information and considering sparse individual intrinsic scores. Our work introduces novel model identification conditions and examines the regularized penalized Maximum Likelihood Estimator (MLE) statistical rates. We then construct a debiased estimator for the penalized MLE and analyze its distributional properties. Additionally, we apply our method to the goodness-of-fit test for models with no latent intrinsic scores, namely, the covariates fully explaining the preference scores of individual items. We also offer confidence intervals for ranks. Our numerical studies lend further support to our theoretical findings, demonstrating validation for our proposed method