We introduce the problem of query-based selection of the optimal candidate in rank-ordered lists generated by the Mallows model. In this setting, one is presented with a list of candidates drawn according to a Gaussian-like distribution for permutations and the goal is to identify the highest ranked candidate through a sequential interview process that does not allow rejected candidates to be revisited. The new modeling assumption consists in being able to query a Genie at the time a selection is to be made. The query provides an answer indicating if the candidate in question is the highest-ranked or not. If the Genie confirms the query, the selection process terminates. Otherwise, the sequential examinations continue until a new potentially optimal candidate is identified. Our results include optimal interview strategies for a bounded number of queries that can be exactly determined through numerical evaluations as well as the expected number of interviews until the optimal candidate is identified or the interview process completed. Although the problem exhibits similarities with the Dowry problem with multiple choices of Gilbert and Mosteller, the proposed Genie-based model substantially differs from it as it allows for early stopping and addresses nonuniform candidate interview distributions.


翻译:我们引入了在Mallows 模式生成的按级排列名单中选择最佳候选人的询问问题。 在这种背景下,我们提出了一个候选人名单,根据类似Gaussian式的分布分布进行排列,目的是通过顺序面试程序确定排名最高的候选人,不允许对被否决的候选人重新进行面试;新的模型假设是,在进行甄选时能够询问一位Genie。查询提供了一个答案,说明有关候选人是否是排名最高的候选人。如果Genie确认询问,甄选程序将终止。否则,连续考试将持续到找到一个新的可能最理想的候选人为止。我们的结果包括,通过数字评价以及预期的面试次数来准确确定,直到找到最佳候选人或完成面试过程。尽管问题与Dowry问题有相似之处,有吉尔伯特和莫斯勒的多重选择,但拟议的Genie模式与它有很大不同,因为它允许及早停止和处理非统一的候选人面试分配。

0
下载
关闭预览

相关内容

因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
Transformer文本分类代码
专知会员服务
116+阅读 · 2020年2月3日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【推荐】自然语言处理(NLP)指南
机器学习研究会
35+阅读 · 2017年11月17日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Neural Module Networks for Reasoning over Text
Arxiv
9+阅读 · 2019年12月10日
Arxiv
3+阅读 · 2018年3月14日
VIP会员
相关VIP内容
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
Transformer文本分类代码
专知会员服务
116+阅读 · 2020年2月3日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【推荐】自然语言处理(NLP)指南
机器学习研究会
35+阅读 · 2017年11月17日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员