Apprentissage statistique basé sur l'ARM à partir de classements incomplets.

Résumé L'analyse statistique des données de rangs décrivant les préférences sur des sous-ensembles petits et variables d'un ensemble potentiellement grand d'éléments 1, ., n est un problème très difficile. Il est motivé par une grande variété d'applications modernes, telles que les systèmes de recommandation ou les moteurs de recherche. Cependant, très peu de méthodes d'inférence ont été documentées dans la littérature pour apprendre un modèle de classement à partir de telles données de classement incomplètes. L'objectif de cet article est double : il développe un cadre mathématique rigoureux pour le problème de l'apprentissage d'un modèle de classement à partir de classements incomplets et introduit une nouvelle méthode statistique générale pour le résoudre. Basée sur un concept original d'analyse multi-résolution (MRA) des classements incomplets, elle s'adapte finement à tout cadre d'observation, conduisant à une précision statistique et une complexité algorithmique qui dépendent directement de la complexité des données observées. Au-delà des garanties théoriques, nous fournissons également des résultats expérimentaux qui montrent ses performances statistiques.