Learning mixtures of permutations: Groups of pairwise comparisons and combinatorial method of moments
学习排列混合模型：成对比较组与组合矩方法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：摘要研究排序混合模型的学习，没有明确经济选择行为或离散选择机制，分类证据不足。
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…
学习排列混合模型：成对比较组与组合矩方法
- 研究问题
- 异质总体的排序可由 Mallows 排列混合模型描述时，如何以多项式时间学习该模型，并刻画维度与噪声对样本需求的影响？
- 方法与思路
- 作者先把成对比较组视为混合分布的矩，在无噪声查询模型中分离排列，再通过模拟无噪声查询机制推广到有噪声模型。
- 材料陈述的贡献
- 摘要称，高维算法的样本复杂度随元素数呈对数增长，并刻画高噪声下对噪声参数的最优依赖，改善此前的维度依赖。
- 阅读关注点
- 应核对混合成分数及可分离性限制、学习目标与误差度量、多项式运行时间的参数依赖，以及最优样本复杂度的下界。
- 阅读边界
- 仅据版本未注明的索引摘要；混合权重、成分数及成功概率条件未说明，不能将摘要所称最优性解释为所有排列模型下成立。
原文摘要
In applications such as rank aggregation, mixture models for permutations are frequently used when the population exhibits heterogeneity. In this work, we study the widely used Mallows mixture model. In the high-dimensional setting, we propose a polynomial-time algorithm that learns a Mallows mixture of permutations on n elements with the optimal sample complexity that is proportional to logn, improving upon previous results that scale polynomially with n. In the high-noise regime, we characterize the optimal dependency of the sample complexity on the noise parameter. Both objectives are accomplished by first studying demixing permutations under a noiseless query model using groups of pairwise comparisons, which can be viewed as moments of the mixing distribution, and then extending these results to the noisy Mallows model by simulating the noiseless oracle.