Details

Autor(en) / Beteiligte

• Schäfer, Dirk
• Hüllermeier, Eyke[Akademischer Betreuer]
• Waegeman, Willem[Akademischer Betreuer]
• Ngonga Ngomo, Axel-Cyrille[Akademischer Betreuer]
• Wehrheim, Heike[Akademischer Betreuer]
• Fischer, Matthias[Akademischer Betreuer]

Titel

Dyad ranking with generalized Plackett-Luce models

Ort / Verlag

Paderborn

Erscheinungsjahr

2018

Verknüpfte Titel

Beschreibungen/Notizen

• Tag der Verteidigung: 22.10.2018
• ger: Dyad Ranking ist eine neue Problemstellung innerhalb des Präferenzlernens. Dyaden sind Paare von Merkmalsvektoren, die durch Modelle des Maschinellen Lernens in ein Ranking überführt werden sollen. Bestehende Ranking Methoden liefern keine zufriedenstellenden Ergebnisse für das Dyad Ranking, weil nicht alle Informationen der Dyaden genutzt werden. Aus diesem Grund werden drei Erweiterungen des Plackett-Luce (PL) Modells, einem statistischen Modell für Rangdaten, vorgeschlagen: Joint-Feature PL basiert auf der Idee, Dyaden auf jeweils einen gemeinsamen Merkmalsvektor abzubilden. In dem bilinearen PL Modell (BilinPL) ist die Abbildung über das Kreuzprodukt zwischen Merkmalsvektorpaaren definiert. Experimente zeigen, dass das BilinPL Modell eine bessere Prädiktionsgüte als Label Ranking Methoden aufweist und Rankings über Labels prädizieren kann, die nicht in den Trainingsdaten vorhanden sind. Das dritte Modell, PLNetworks (PLNet), basiert auf einem Neuronalen Netzwerk und ermöglicht das Erlernen der Repräsentationen von gemeinsamen Merkmalsvektoren. Die Anwendungen umfassen das Meta-Learning zur Empfehlung von genetischen Algorithmen, das Ähnlichkeitslernen und die Konfigurationsbestimmung von Bildverarbeitungsketten auf Basis des präferenzbasierten Verstärkungslernens. Die probabilistische Eigenschaft der Modelle wurde für zwei neue Visualisierungsmethoden genutzt, die auf der Mehrdimensionalen Skalierung und dem Unfolding basieren.
• eng: The term "dyad ranking" refers to a new problem setting within preference learning. Dyads are feature vector pairs that need to be ranked by machine learning models. Existing ranking methods do not deliver good results for dyad ranking, since they do not use all features of the dyads. Therefore, three generalizations of the Plackett-Luce (PL) model, a statistical model for rank data, are introduced: Joint-Feature PL (JFPL) uses joint-feature vector representations for the dyads, i.e. a mapping of a vector pair to a single vector. The bilinear PL model (BilinPL), which takes up the idea of JFPL, specifies the joint-feature map by means of the cross product. Experiments show that BilinPL is superior to existing label ranking methods, because the dyad features improve prediction performance and it can deliver predictions on new labels. The third model, PLNetworks (PLNet), does not require the specification of a joint-feature map but instead learns it. The model is based on a neural network and can capture non-linear relationships among preferences. Applications of dyad ranking include genetic algorithm recommendations, similarity learning of images, and the configuration of image-processing pipelines using preference- based reinforcement learning. To benefit from the probabilistic information produced by the PL models, two visualization approaches based on multidimensional scaling and unfolding are introduced.