欢迎大家来到IT世界,在知识的湖畔探索吧!
多项式Logit（MNL）是最流行的离散选择模型之一，已被广泛用于对排名数据建模。然而，从许多现实世界的排名数据中学习MNL有一个长期存在的技术挑战：准确计算MNL的可能性emph{partial rankings}一般来说是难以实现的。在这项工作中，我们开发了一种可扩展的方法，用于在多项式时间复杂度中近似计算一般部分排名的MNL可能性。我们还将建议的方法扩展到学习MNL的混合物。我们证明了所提出的方法对基于选择的网络形成模型的应用特别有帮助，其中网络中新边的形成被看作是个人在候选集合中对他们的朋友做出的选择。从部分排名中学习混合MNL模型的问题自然会在这类应用中出现。所提出的方法可以用来从网络数据中学习MNL模型，而不需要强烈假设所有边缘形成的时间顺序是可用的。我们在合成的和真实的网络数据上进行了实验，证明所提出的方法与传统的方法相比，可以实现更准确的参数估计和更好的数据适应性。
《Fast Learning of MNL Model from General Partial Rankings with Application to Network Formation Modeling》
论文地址:http://arxiv.org/abs/2112.15575v1
免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://itzsg.com/89230.html
