指数族估计的等距机制

​

The Isotonic Mechanism for Exponential Family Estimation

解决问题：本篇论文旨在通过扩展Isotonic Mechanism机制到指数族分布，利用作者指定的排名来提高机器学习和人工智能会议的同行评审。这是否是一个新问题？是的，本文提出了新的解决方案。

关键思路：本文的关键思路是扩展Isotonic Mechanism机制到指数族分布，生成调整分数以接近原始分数，同时遵循作者指定的排名。与当前领域的研究相比，本文的思路具有新意。

其他亮点：本文的实验设计使用了指数族分布，并证明了在一定的指数族分布情况下，作者只有在问题涉及其提交物之间的两两比较时才会真实报告排名，因此揭示了排名在真实信息收集中的最优性。此外，本文还证明了调整分数显著提高了原始分数的准确性，并在真实分数具有有界总变异性时实现了近似最小极小优化的统计一致性。本文的工作值得进一步深入研究。

关于作者：主要作者Yuling Yan、Weijie J. Su、Jianqing Fan，分别来自美国加州大学戴维斯分校、加州大学伯克利分校、普林斯顿大学。他们之前的代表作包括：Yuling Yan的“Adaptive Estimation of the Conditional Intensity Function in Self-Exciting Point Process Models”、Weijie J. Su的“Isotonic Regression under Weak Assumptions”、Jianqing Fan的“High-dimensional covariance matrix estimation using a factor model”.

相关研究：近期其他相关研究包括：“Ranking as a Distribution: Adaptive Lp-AUC Maximization”（作者：Zeyi Wen、Yi Chang、Mingyuan Zhou，机构：华盛顿大学）、“Peer Review for Publication and Funding Outcomes in Artificial Intelligence Journals”（作者：Yifang Wei、Jie Tang、Jie Zhang，机构：清华大学）、“A Unified Approach to Ranking in Partially-Labeled Data”（作者：Yi Chang、Zeyi Wen、Mingyuan Zhou，机构：华盛顿大学）。

论文摘要：本文旨在利用作者指定的排名来扩展Isotonic机制（Su，2021，2022）到指数族分布，从而提高机器学习和人工智能会议的同行评审。该机制生成的调整分数与原始分数密切对齐，同时遵守作者指定的排名，尽管它适用于广泛的指数族分布，但该机制的实现不需要知道具体的分布形式。我们证明了当作者的效用采用调整评审分数的凸加函数形式时，作者会被激励提供准确的排名。对于某些指数族分布的子类，我们证明只有在问题涉及她提交的两两比较时，作者才会如实报告，从而表明排名在真实信息收集中的最优性。最后，我们展示了调整分数显著提高了原始分数的准确性，并在真实分数具有有界总变化时达到了几乎极小化最大误差的统计一致性。2023年国际机器学习会议（ICML）要求有多个提交的作者根据其感知质量对提交进行排名。

​Read More