arXiv:2609.26326v1 stat.ML

매개변수화된 다변량 효용 함수를 갖는 BTL 모델에서 통계 추정량의 오차 한계

Error Bounds for Statistical Estimators in BTL Model with Parametric Multivariate Utility Functions

Yicheng Li, Huifu Xu

제출 2026-09-23

한국어 초록

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.

원문 초록

We study preference elicitation under the Bradley-Terry-Luce (BTL) model where the true partworth vector is unknown and has to be estimated as a parameter with elicited preference information. The set of selected pairwise queries is non-uniform, deterministic, and arbitrary over a collection of alternatives, provided that it satisfies a joint identifiability condition. We focus on understanding when the canonical maximum likelihood estimator (MLE) is finite and admits sharp error bounds without explicit compactness constraints on the feasible set or external regularizers. To this end, we derive minimax lower bounds under the standard bounded dynamic range condition, and find that the same Fisher-information geometry in the classic Cram\'er-Rao lower bounds underpins the finite-sample difficulty of the estimation problem. By combining a non-asymptotic expansion of the likelihood score equation with a fixed-point localization argument, we identify a design-dependent sample size threshold above which the unconstrained canonical MLE exists and is unique with high probability. The same expansion yields a decomposition of the estimation error into a linear stochastic term, an explicit second-order bias, and a higher-order remainder. A refined analysis gives sufficient sample size conditions under which the canonical MLE attains the minimax rates up to logarithmic and constant factors. These results provide a unified non-asymptotic theory for parametric utility elicitation and reveal when the inference is determined by response data alone rather than by external regularization. Preliminary numerical results are consistent with the theoretical findings.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.26326v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.22221v1stat.ML공통 태그 parameter estimation, bradley-terry

Bradley--Terry 모델에 대한 Zermelo형 반복법 계열의 수렴 분석

Convergence analysis of a family of Zermelo-type iterations for the Bradley--Terry model

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.

arXiv:2606.10119v2stat.ML공통 태그 parameter estimation, maximum likelihood

Current-Status 자료 하 신경망 추정의 수렴율

Convergence Rates for Neural-Network Estimation with Current-Status Data

Current-status 자료는 사건 시점이 검진 시점 이전에 발생했는지 여부를 나타내는 지시변수를 통해서만 관측될 때 생기는 자료이다. 본 논문은 사건 시점의 조건부 누적분포함수에 대한 비모수적 신경망 sieve 최대가능도 추정량을 연구한다. Hölder 매끄러움 가정 하에서, rectified linear unit(ReLU) 신경망에 대한 근사 이론과 empirical process 논증을 결합하여 명시적 수렴율을 확립한다. 이 결과는 current-status 관측 하에서의 신경망 추정 및 이후 추론에 대한 이론적 근거를 제공한다.

arXiv:2609.26705v2quant-ph공통 태그 parameter estimation

보손 가우시안 상태는 언제 고전적으로 학습할 수 있는가?

When are bosonic Gaussian states classical to learn?

물리학의 근본적인 질문 중 하나는 양자계에서 고전적 거동이 언제 나타나는가이다. 보손 가우시안 상태(bosonic Gaussian state)는 빛의 고전적 장(field) 거동과 본질적인 양자적 성질을 모두 포착하므로, 이러한 양자-고전 경계를 탐구하기에 자연스러운 환경을 제공한다. 본 연구에서는 학습 이론의 관점에서 이 문제를 다루며 다음과 같이 묻는다. 보손 가우시안 상태는 언제 고전적으로 학습할 수 있는가? 즉, n-모드 보손 가우시안 상태를 고전적인 2n변량 가우시안 분포를 학습할 때 필요한 만큼 적은 샘플과 그만큼 단순한 연산으로 학습할 수 있는 조건은 (있다면) 무엇인가? 우리는 상태의 열적 요동(thermal fluctuation)에 의해 결정되는 학습 가능성의 매끄러운 크로스오버를 규명한다. - 차가운 가우시안 상태는 학습 측면에서 비고전적이다. 공분산 행렬이 $\Sigma\le(\frac12+O(\frac1n))I$를 만족하여 진공 공분산에 가까운 경우, 단일 복사본(single-copy, 즉 얽힘이 없는) 측정 하의 토모그래피(tomography)는 근본적으로 $\Omega(n^3)$개의 복사본을 필요로 하며, 이는 고전적 가우시안 분포를 학습하는 샘플 복잡도 $\Theta(n^2)$를 엄밀하게 초과한다. 우리는 소수 복사본에 대한 얽힘 측정이 허용되더라도 이러한 어려움이 지속됨을 보인다. - 따뜻한 가우시안 상태는 학습 측면에서 고전적이다. 열적 요동이 진공 잡음을 초과하여 임의의 매개변수 $\nu>0$에 대해 $\Sigma\ge(\frac12+\nu)I$로 나타내지는 경우, 단일 복사본 토모그래피에는 $N=\Theta\left(n^2\min(n,1+\nu^{-1})\right)$개의 복사본이 필요함을 증명한다. 이 한계는 타이트(tight)하며, 단순하고 비적응적(non-adaptive)이며 얽힘이 없는 헤테로다인(heterodyne) 측정으로 달성된다. 특히 $\nu=\Omega(1)$인 경우 샘플 복잡도는 $\Theta(n^2)$로 줄어들어 고전적인 경우와 일치한다. 우리의 결과는 보손 가우시안 상태의 학습 가능성에서 나타나는 양자-고전 크로스오버를 엄밀하게 규명하고, 근본 물리학과 통계적 학습 이론 사이의 새로운 연결고리를 드러내며, 실제 센싱 실험에도 시사점을 가진다.

arXiv:2607.14940v2cs.LG공통 태그 parameter estimation

간섭과 잠재 교란 하에서 순차 설정에 대한 인과 추론

Causal Inference for Sequential Settings under Interference and Latent Confounding

본 연구는 순차적·관측적 설정에서 결과 간섭(outcome interference) 하의 인과 추론을 다룬다. 구체적으로, N개 단위에 대한 이진 결과가 T개 시간 단계에 걸쳐 Markovian인 설정을 고려한다. 각 시간 단계에서 N개 단위의 결과는 Ising 모델을 통해 포착되는 의존성을 갖으며, 각 결과는 또한 해당 처치(treatment)의 효과와 잠재 교란 요인(latent confounders)의 영향을 반영하는 외부장(external field)의 영향을 받는다. 패널 데이터(panel data) 문헌과 유사하게, 이러한 잠재 교란 요인은 저계수(low-rank) 요인 구조를 갖도록 모델링된다. 우리의 데이터는 이러한 고차원 분포로부터의 단일 샘플이다. 관심 있는 인과량을 추정하기 위해, 모델 매개변수를 학습하기 위한 최대 유사-가능도 추정(Maximum Pseudo-Likelihood Estimation, MPLE)에 기반한 계산 효율적인 방법을 제시한다. 완화된 가정 하에서, 매개변수 추정에 대한 비점근(non-asymptotic) 일관성을 확립하고, 이것이 학습된 모델로부터 샘플링한 후 관심 있는 인과량의 충실한 추정으로 이어짐을 보인다. 합성 실험과 함께, 미국 전역 카운티(county) 내 백신 접종률이 COVID-19 사망률에 미치는 인과 효과를 조사하는 실세계 사례 연구를 통해 방법의 효과를 입증한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.