《Axioms》:Constrained Bayesian Reconstruction of Latent Public Preferences Under Dynamic Elimination Rules: An Uncertainty-Aware Expert–Public Fusion Framework
编辑推荐:
专家—公众选择系统常揭示专家评分、制度规则与离散淘汰结果,却隐藏公众投票信息。研究人员构建了一种约束贝叶斯逆推断框架,用于推断与规则兼容的潜在公众偏好分布。公众偏好被表示为单纯形值(simplex-valued)潜在变量,基于排名、基于百分比以及评委挽救机制通
专家—公众选择系统常揭示专家评分、制度规则与离散淘汰结果,却隐藏公众投票信息。研究人员构建了一种约束贝叶斯逆推断框架,用于推断与规则兼容的潜在公众偏好分布。公众偏好被表示为单纯形值(simplex-valued)潜在变量,基于排名、基于百分比以及评委挽救机制通过规则诱导似然约束进行编码。研究人员形式化刻画了规则兼容可识别集几何:百分比规则集为紧凸多面体(compact convex polytope),而基于排名与评委挽救集为多面体秩胞的有限并。无先验锐坐标界通过对全部170个百分比规则周进行精确线性规划,以及对代表性排名与评委挽救情形进行精确弱序枚举获得。后验分布采用混合Metropolis–Hastings采样器近似,其转移核保留目标后验;正概率全局Dirichlet分量在分离的正后验质量区域间提供不可约性。在涵盖两种真值生成机制、三种选手集规模与三种制度规则的1800例因子合成研究中,规则约束后验的边际95%可信区间覆盖率为0.9400–0.9625,新加入的仅先验基准为0.9475–0.9617,表明近名义覆盖率主要反映区间校准而非恢复精度。以观测淘汰为条件使总体平均全变分距离从0.4613降至0.4353,平均Spearman相关从约零(?0.0206)升至0.2147,但在logistic-normal误设下Top-1与Top-3识别增益不均。54例验证显示向量化拒绝采样与混合Metropolis–Hastings采样高度一致。在《Dancing with the Stars》34季实证应用中,多链诊断无实质不收敛证据;后验均值份额在中度设定变动下稳定,而排名与不确定宽度更敏感。在224个规则约束周中,Logistic动态加权系统(LDWS)与百分比决策在同抽比较中一致率达86.66%。该框架因此是不确定性感知且制度透明的,而非精确票数恢复方法或普适最优聚合规则。
研究背景与动机:在专家—公众共同参与的选择系统中,公开信息通常仅限于专家评分、制度规则与离散淘汰结果,公众投票份额本身保密。这类问题不属于常规监督预测,而是将连续单纯形值潜在偏好经制度聚合规则映射为离散结果的逆问题,具有多对一、部分识别(partial identification)与生态推断(ecological inference)特征。现有群体智慧研究多假设个体判断可直接观测,社会选择理论多比较已知偏好下的规则,逆问题与部分识别文献缺乏统一操作模型来重构动态淘汰规则下的潜在公众偏好。研究人员据此开展一项不确定性感知的贝叶斯逆推断研究,旨在分离制度观测所提供的信息与贝叶斯先验引入的信息,并在《Axioms》发表。
主要关键技术方法:研究人员以《Dancing with the Stars》34季历史周级选手与评委打分为实证队列(335周级组,其中224周用于规则约束重构),以1800例合成模拟(两真值机制×三选手规模×三规则×百次重复)为已知真值验证。推断引擎采用对称Dirichlet先验置于概率单纯形,结合规则诱导指示似然(百分比与排名为硬约束,评委挽救附加条件logit项),后验由混合Metropolis–Hastings采样(每步5次成对条件先验更新+0.05概率全局Dirichlet独立提案)计算,并以精确线性规划与弱序枚举求无先验锐界;机制层提出LDWS,对重构公众份额做归一化幂变换并与阶段依赖logistic专家权重融合。
研究结果:
引言部分指出专家—公众系统需区分集体智慧收益与社交影响偏差,并将问题定位为部分识别逆推断。
材料与方法部分给出异构评价空间形式化、三种淘汰机制(排名惩罚、百分比生存、评委挽救底部二人+条件logit)、规则兼容可识别集几何命题(百分比为紧凸多面体,排名为多面体秩胞有限并,评委挽救不改支撑集仅改权重)、Dirichlet先验与混合MCMC核的不变性与不可约性证明、LDWS设计公式及ADEMP框架合成研究设计。
结果与实证部分:MCMC调谐显示每迭代5次成对更新为效率折中;先验浓度敏感度表明后验均值稳但区间宽度随浓度收窄属先验几何敏感而非识别增强;评委挽救尺度参数λ依赖原始打分标尺;截止并列在44个评委挽救周均现(平均抽级并列率0.36),采用字典序底部二人算子保证顺序无关;170个百分比周锐界平均坐标宽0.8829,被淘汰者均宽0.1546,显示淘汰事件强烈约束败者份额而其余维度弱识别;合成研究中以观测淘汰为条件使TV距离降至0.4353、Spearman升至0.2147,但95%区间覆盖率在规则约束与仅先验臂均近名义值(0.94–0.96),证明覆盖率主要度量校准;拒绝采样与混合MCMC在54例中后验均值绝对差中位0.00240;224周机制稳定性中LDWS与被观察结果兼容概率0.7820、百分比0.8970、排名0.8224、评委挽救0.6751,LDWS与百分比同抽一致最高;高不确定周以排除在位机制的熵—不一致得分排序,Season 34 Week 10在评委挽救内第二高;LDWS参数敏感度显示γpub与专家权重界影响大于转移陡度。
讨论与结论翻译:该框架将后验理解为规则兼容潜在配置上的先验正则化分布,而非保密票数的直接恢复;无先验锐界分离制度约束与先验收缩;混合MCMC核在正概率全局Dirichlet下于分离支撑间不可约;合成研究揭示近名义区间覆盖主要来自校准而非真值恢复,条件化淘汰改善TV与秩关联但Top识别不全;实证中后验均值对中度设定稳而排名与区间宽敏感;LDWS在224周中与百分比决策86.66%一致,但其参数属机制设计输入而非经验最优。框架价值在于不确定性感知与制度透明,不构成精确票数恢复或普适更优聚合规则。