Uncertainty Quantification for Ranking with Heterogeneous Preferences
异质偏好排序的不确定性量化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：摘要明确使用广义 BTL 及二元选择模型刻画异质偏好和部分选择行为。
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
异质偏好排序的不确定性量化
- 研究问题
- 在仅观察部分选择行为、用户偏好又具有异质性时，如何估计个人及总体的物品得分，并对得分与排序进行不确定性量化？
- 方法与思路
- 作者建立广义 BTL 模型，以用户非参数偏好函数和物品潜在特征形成低秩得分矩阵，结合筛估计、间接正则化与单步牛顿去偏。
- 材料陈述的贡献
- 摘要称方法实现逐元素最大范数误差控制，并为个人和总体偏好的物品得分及排序建立推断，可扩展至光滑链接的二元选择模型。
- 阅读关注点
- 应核对潜在特征与偏好函数的识别约束、部分选择的观测机制，以及去偏后得分区间和排序不确定性之间的具体对应关系。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未列出抽样、光滑性和秩条件，也未提供区间覆盖的具体结果。
原文摘要
This paper studies human preference learning based on partially revealed choice behavior and formulates the problem as a generalized Bradley-Terry-Luce (BTL) ranking model that accounts for heterogeneous preferences. Specifically, we assume that each user is associated with a nonparametric preference function, and each item is characterized by a low-dimensional latent feature vector - their interaction defines the underlying low-rank score matrix. In this formulation, we propose an indirect regularization method for collaboratively learning the score matrix, which ensures entrywise $\ell_\infty$-norm error control - a novel contribution to the heterogeneous preference learning literature. This technique is based on sieve approximation and can be extended to a broader class of binary choice models where a smooth link function is adopted. In addition, by applying a single step of the Newton-Raphson method, we debias the regularized estimator and establish uncertainty quantification for item scores and rankings of items, both for the aggregated and individual preferences. Extensive simulation results from synthetic and real datasets corroborate our theoretical findings.