Deep Bradley-Terry Rating: Estimate Properties Without Metric of Unseen Items

要約

現実世界では、競争環境における好感度や強さなどの特性の多くは直接観察できないため、評価が困難です。
この困難な問題に対処するために、これまでの研究は主に、既知の項目、特に一対の比較データセットに現れるスポーツ選手の強さの特性を推定することに焦点を当ててきました。
このペーパーでは、トレーニング データに必ずしも存在しない未知のアイテムのプロパティを評価するための新しい ML フレームワークである Deep Bradley-Terry Rating (DBTR) を紹介します。
私たちの手法は、従来の Bradley-Terry モデルとニューラル ネットワーク構造をシームレスに統合します。
また、現実世界の設定ではより一般的である、不公平性のある非対称環境向けにこのアーキテクチャをさらに一般化します。
私たちの実験分析では、DBTR はこれらの特性の望ましい定量化を学習することに成功しました。

要約(オリジナル)

Many properties in the real world, such as desirability or strength in competitive environment, can’t be directly observed, which makes them difficult to evaluate. To deal with this challenging problem, prior works have primarily focused on estimating those properties of known items, especially the strength of sports players, only of those who appears in paired comparison dataset. In this paper, we introduce Deep Bradley-Terry Rating (DBTR), a novel ML framework to evaluate any properties of unknown items, not necessarily present in the training data. Our method seamlessly integrates traditional Bradley-Terry model with a neural network structure. We also generalizes this architecture further for asymmetric environment with unfairness, which is much more common in real world settings. In our experimental analysis, DBTR successfully learned desired quantification of those properties.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google