空白卡片竟藏关键信息！B-DOR用贝叶斯序数回归碾压DOR，768种配置验证准确率飙升
Bayesian Deck-of-cards-based Ordinal Regression with Sequential Preference Elicitation
📖 AI 总结
本文提出 B-DOR，一种对基于纸牌排序的序数回归（DOR）的概率化重构方法。传统 DOR 及其随机扩展 SMAA-DOR 将决策者的回答视为硬约束，而 B-DOR 将相邻层级间的方向与空白牌数量建模为序数观测，通过累积链接似然函数将空白牌数与潜在价值差关联。作者提出两种贝叶斯推断算法：BAYES-DOR 利用哈密顿蒙特卡洛采样完整后验分布，FTRL-DOR 通过约束凸优化追踪最大后验估计。研究还引入多步启发过程，将偏好获取分散到多次短会话中以降低决策者认知负担，两种算法均具有对数遗憾界。基于 768 种配置的蒙特卡洛实验表明，准确率随会话数增加而提升，空白牌在偏好方向之外提供显著信息，两种算法在回答不一致时仍保持良好性能，且均优于 DOR 和 SMAA-DOR。意大利区域医疗绩效的应用示例验证了该方法构建复合指标的实际可行性。
🔑 关键词速览
| Deck-of-cards-based Ordinal Regression (DOR) | 一种通过让决策者在相邻等级间插入空白卡片来表达偏好强度的序数回归方法。 |
| B-DOR | DOR的概率重构版本，将空白卡片数量与潜在价值差通过累积链接似然建模。 |
| Hamiltonian Monte Carlo (HMC) | 一种用于贝叶斯推理的马尔可夫链蒙特卡洛算法，通过模拟哈密顿动力学高效采样后验分布。 |
| Follow-The-Regularized-Leader (FTRL) | 一种在线凸优化框架，通过追踪最大后验估计来更新模型参数。 |
| Regret Bound | 衡量在线学习算法性能的理论指标，表示算法累积损失与最优策略累积损失之差的上界。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅