우리는 참 파트워스(partworth) 벡터가 알려지지 않아 유도된 선호 정보로 매개변수로 추정해야 하는 Bradley-Terry-Luce(BTL) 모델 하에서의 선호 유도(preference elicitation)를 연구한다. 선택된 쌍별 질의 집합은 대안들의 모음에 대해 비균일·결정적이며 임의적이나, 결합 식별가능성(joint identifiability) 조건을 만족해야 한다. 우리는 가능 집합에 대한 명시적 콤팩트성 제약이나 외부 정규화항 없이 정준 최대가능도추정량(MLE)이 유한하며 날카로운 오차 한계를 허용하는 시점을 이해하는 데 초점을 둔다. 이를 위해 표준 유계 동적 범위(bounded dynamic range) 조건 하에서 미니맥스 하한을 유도하고, 고전적 Cramér-Rao 하한에 나타나는 동일한 피셔 정보 기하가 추정 문제의 유한표본 난이도를 뒷받침함을 보인다. 가능도 스코어 방정식의 비점근적 전개와 고정점 국소화 논증을 결합하여, 그 이상에서는 비제약 정준 MLE가 높은 확률로 존재하고 유일해지는 설계 의존적 표본 크기 임계값을 식별한다. 동일한 전개는 추정 오차를 선형 확률항, 명시적 2차 바이어스, 고차 나머지로 분해한다. 정교한 분석은 정준 MLE가 로그 및 상수 인자를 제외하고 미니맥스 수렴률을 달성하는 충분 표본 크기 조건을 제공한다. 이러한 결과는 매개변수적 효용 유도에 대한 통일된 비점근적 이론을 제공하며, 추론이 외부 정규화가 아니라 응답 데이터만으로 결정되는 시점을 밝힌다. 예비 수치 결과는 이론적 발견과 일치한다.
Zermelo 알고리즘은 Bradley--Terry(BT) 모델에서 최대 가능도 추정량을 계산하는 고전적인 방법이지만, 실무에서 그 수렴이 느릴 수 있다. 계산을 가속하기 위해 Newman은 $α$로 매개변수화된 Zermelo형 고정점 반복법 계열을 도입했으며, $α=1$에서 Zermelo 알고리즘이 복원된다. 경험적 증거는 $α=0$ 선택이 종종 상당히 더 빠르게 수렴함을 시사하여 유망한 대안이 되지만, 이러한 가속의 기저 메커니즘은 여전히 불명확하다. 본 논문은 체계적인 국소 수렴 분석을 통해 이 현상에 대한 이론적 통찰을 제공한다. 우리는 동기 및 비동기 업데이트 하에서 국소 수렴 인자에 대한 닫힌 형태 표현을 유도하고, 관련 야코비안 행렬의 스펙트럼 분석을 통해 $α$에 대한 의존성을 분석한다. 동기 업데이트의 경우, $α<1$일 때 알고리즘이 수렴하지 못할 수 있음을 보이며, 모집단 BT 모델 하에서 국소 수렴 인자가 $α$에 대해 준볼록(quasi-convex)임을 보인다. 반면 비동기 업데이트는 항상 국소적으로 수렴하며, 일관된 순서의 이분 비교 그래프에 대한 모집단 BT 모델 하에서 국소 수렴 인자가 $α$에 대해 단조 증가함을 증명하여, 이 설정에서 $α=0$의 최적성을 확립한다. 우리는 또한 BT 모델 하에서 모집단 수렴 인자에 대한 점근 근사 결과를 확립하여 그 실용적 관련성을 정당화한다. 합성 및 실제 데이터셋에 대한 수치 실험이 이론을 확인한다. 우리의 분석은 기존 수렴 결과를 보완하며, $α=0$의 가속이 매개변수 선택뿐 아니라 더 중요하게는 비동기 업데이트 사용에서 기인함을 보여준다.
추천 알고리즘의 순위 매기기는 모델 성능이 희소성(sparsity), 순차적 구조(sequential structure), 규모(scale)와 같은 데이터셋 특성에 민감하기 때문에 어려운 문제입니다. 이는 알고리즘 간의 공정한 비교를 위한 적절한 방법론의 필요성을 불러일으킵니다. 성능 지표의 단순 집계(예: 벤치마크 전반의 NDCG 평균)는 오도할 수 있는 순위를 도출하여 실질적인 선정을 저해할 수 있습니다. 이 문제를 해결하기 위해 본 연구에서는 브래들리-테리(Bradley-Terry, BT) 모델을 기반으로 하는 새로운 데이터 기반 순위 매기기 방법론을 제안합니다. 우리는 도출된 순위가 주요 데이터셋 통계에 의존함을 입증합니다. 또한, 순위 일관성을 평가하기 위한 새로운 지표를 제안하고, 불완전한 데이터에 대해 우리의 순위 방식이 갖는 견고성(robustness)을 입증합니다. 마지막으로, BT 트리(BT trees) 및 공변량을 포함한 BT 모델(BT models with covariates)을 포함하는 브래들리-테리 프레임워크의 확장을 활용하여, 모델을 실행하지 않고도 보이지 않은(unseen) 데이터셋에서 알고리즘의 순위를 매길 수 있는 데이터셋 특화 방법론을 소개합니다.