Apprendere Ricompense e Affidabilità dei Lavoratori da Confronti a Coppie

Un nuovo articolo di ricerca su arXiv (2608.10045) affronta la sfida di apprendere da confronti a coppie quando i dati sono raccolti da lavoratori online inaffidabili. Gli autori propongono un metodo per apprendere congiuntamente le ricompense degli elementi e le competenze dei lavoratori utilizzando un modello Boltzmann-razionale che estende il modello Bradley-Terry-Luce. Derivano un algoritmo basato su EM che introduce variabili latenti Polya-Gamma per gestire la funzione logistica nel modello. Il lavoro è motivato da applicazioni in sistemi di raccomandazione, scelta sociale e messa a punto di grandi modelli linguistici, dove i confronti a coppie sono spesso ottenuti da piattaforme come Amazon Mechanical Turk e Scale AI. L'articolo mira a migliorare l'affidabilità dell'apprendimento tenendo conto del comportamento di spam dei lavoratori e della conoscenza limitata del dominio.