李瑞林，叶晓静，周浩民，查宏远。
年份：2019年，数量：20，版本：80，页码：1−37
摘要
我们提出了一个基于逆最优传输的统一数据驱动框架，该框架可以从噪声和不完全经验匹配矩阵中学习自适应的非线性交互代价函数，并预测各种匹配环境下的新匹配。我们强调，离散最优运输发挥了变分原理的作用，从而产生了一个基于优化的框架来建模观测到的经验匹配数据。我们的公式导致了一个非凸优化问题，可以通过交替优化方法有效地解决。我们公式的一个关键新颖方面是通过正则化Wasserstein距离合并边缘松弛，显著提高了该方法在面对噪声或缺少经验匹配数据时的鲁棒性。我们的模型属于规定模型的范畴，它不仅可以预测潜在的未来匹配，还可以解释导致经验匹配的原因，并量化匹配因素变化的影响。该方法具有广泛的适用性，包括在线约会、劳动力市场、大学申请和众包中的预测匹配。我们用合成数据和真实世界数据集的数值实验来支持我们的说法。
PDF格式
BibTeX公司