Efficient Online Learning of Optimal Rankings: Dimensionality Reduction via Gradient Descent
National Technical University of Athens（雅典国立技术大学）；Singapore University of Technology and Design（新加坡科技设计大学）
我们认为一个自然的模型，在线偏好聚合，其中首选项目集$R_1, R_2, \ldots, R_t$以及在每个$R_t$的$k_t$项目的需求，出现在网上。在没有$(R_t, k_t)$的先验知识的情况下，学习者保持排名$π_t$，目的是来自$R_t$的至少$k_t$项在$π_t$中出现高。这是偏好聚合中的一个基本问题，基于用户滚动和点击模式来对网页中的产品或新闻项进行排序。广泛研究的广义最小和集覆盖（GMSSC）问题作为上述设置的形式化模型。GMSSC是NP难的，并且无悔在线学习算法的标准应用在计算上是低效的，因为它们在排名空间中操作。在这项工作中，我们展示了如何实现低遗憾的GMSSC在多项式时间。我们采用降维排名的双随机矩阵的空间，在那里我们应用在线梯度下降。一个关键的步骤是显示如何子梯度可以有效地计算，通过解决对偶的配置LP。使用不经意的确定性和随机舍入方案，我们将双随机矩阵映射回排名，在GMSSC目标中损失较小。
2020-11-05 cs.LG
Towards Feature Selection for Ranking and Classification Exploiting Quantum Annealers
Politecnico di Milano（米兰理工大学）；ContentWise；Università degli Studi di Padova（帕多瓦大学）
特征选择是许多排序、分类或预测任务中的常见步骤，并且用于许多目的。通过去除冗余或噪声特征，可以提高排名或分类的准确性，并且可以降低后续学习步骤的计算成本。然而，特征选择本身可能是计算上昂贵的过程。虽然几十年来量子计算仅限于理论算法论文，但现在量子计算正成为解决现实问题的可行工具，特别是基于量子退火范式的专用求解器。本文旨在探索使用当前可用的量子计算架构来解决一些用于排序和分类的二次特征选择算法的可行性。实验分析包括15个最先进的数据集。量子计算硬件获得的有效性与经典求解器相当，这表明量子计算机现在足够可靠，可以解决有趣的问题。在可扩展性方面，当前一代量子计算机能够提供比某些经典算法有限的加速，并且混合量子-经典策略对于超过一千个特征的问题显示出较低的计算成本。
2022-05-09 cs.IR cs.LG quant-ph
Utility-Theoretic Ranking for Semi-Automated Text Classification
Istituto di Scienza e Tecnologie dell’Informazione, Consiglio Nazionale delle Ricerche（意大利国家研究委员会信息科学与技术研究所）；Qatar Computing Research Institute（卡塔尔计算研究所）；Italian National Council of Research（意大利国家研究委员会）
\emph{Semi-Automated Text Classification}（SATC）可以被定义为以这样的方式对自动标记的文本文档的集合$\mathcal{D}$进行排序的任务，即，如果人类注释者验证（即，检查并在适当的情况下进行校正）在$\mathcal{D}$的排名靠前的部分中的文档，目的是增加$\mathcal{D}$的总体标记准确性，因此预期的增加被最大化。一个明显的SATC策略是对$\mathcal{D}$进行排名，以便分类器标记的置信度最低的文档排名靠前。在这项工作中，我们表明，这种策略是次优的。我们开发了新的效用理论的排名方法的基础上的概念\emph{validation gain}，定义为改进的分类效率，将通过验证一个给定的自动标记的文件。我们还提出了一个新的有效性措施，面向SATC的排名方法的基础上，预期减少分类错误所带来的部分验证由给定的排名方法产生的列表。我们报告的实验结果表明，相对于上述基线方法，并根据建议的措施，我们的效用理论排名方法可以实现更高的预期减少分类错误。
2015-03-02 cs.LG
Probabilistic Zero-shot Classification with Semantic Rankings
The Ohio State University（俄亥俄州立大学）
在本文中，我们提出了一个非度量排名为基础的表示语义相似性，允许自然聚合的语义信息从多个异构源。我们将基于排名的表示应用于零样本学习问题，并提出了确定性和概率性的zero-shot分类器，可以从预先训练的分类器中构建，而无需重新训练。我们在两个大型的真实世界图像数据集上展示了它们的优势。特别是，我们表明，聚合不同来源的语义信息，包括众包，导致更准确的分类。
2015-02-27 cs.AI cs.CV cs.LG
Text Ranking and Classification using Data Compression
Meta Platforms Inc（Meta平台公司）
一种众所周知但很少使用的文本分类方法使用条件熵估计，该估计是使用数据压缩工具计算的。从压缩大小导出的文本亲和度分数可用于分类和排名任务，但其成功与否取决于所使用的压缩工具。我们使用Zstandard压缩器，并以几种方式加强这些想法，称之为语言无关技术Zest。在应用中，这种方法简化了配置，避免了仔细的特征提取和大型ML模型。我们的消融研究证实了我们引入的个体增强的价值。我们表明，Zest可以补充生产中特定语言的多维内容嵌入并与之竞争，但无法在公共数据集上优于其他计数方法。
2021-12-07 cs.LG
On Multilabel Classification and Ranking with Partial Feedback
Universita’ dell’Insubria（因苏布里亚大学）；Toyota Technological Institute at Chicago（芝加哥丰田理工学院）
我们提出了一种新的多标签/排名算法工作在部分信息设置。该算法基于二阶下降法，并依赖于上置信界来权衡探索和开发。我们在部分对抗性设置中分析该算法，其中协变量可以是对抗性的，但多标签概率由（广义）线性模型控制。我们显示O（T^{1/2} log T）的遗憾界，这在几个方面改善现有的结果。我们通过与真实世界多标签数据集上的完整信息基线进行对比来测试我们的上置信度方案的有效性，通常可以获得相当的性能。
2013-01-16 cs.LG
Ranking of classification algorithms in terms of mean-standard deviation using A-TOPSIS
UFES - Federal University of Espirito Santo（圣埃斯皮里图联邦大学）
在分类问题中，当多个算法应用于不同的基准时，出现了困难的问题，即，我们如何对算法进行排名？在机器学习中，通常会多次运行算法，然后根据均值和标准差计算统计量。为了比较算法的性能，采用统计测试是非常常见的。然而，这些测试也可能存在局限性，因为它们只考虑所获得结果的平均值而不是标准偏差。在本文中，我们提出了所谓的A-TOPSIS，基于TOPSIS（技术的顺序偏好的相似性理想解），解决排序和比较分类算法的均值和标准差的问题。通过两个实例说明了A-TOPSIS法在分类算法排序中的应用，结果表明了A-TOPSIS法在分类算法排序中的适用性。该方法具有通用性，可用于比较机器学习中随机算法的性能。最后，为了鼓励研究人员使用A-TOPSIS的排名算法，我们还提出了一个易于使用的A-TOPSIS网络框架。
2016-10-22 cs.LG
Classification and Learning-to-rank Approaches for Cross-Device Matching at CIKM Cup 2016
L3S Research Center（L3S研究中心）；Leibniz Universität Hannover（莱布尼茨汉诺威大学）
在本文中，我们提出了两种方法来解决CIKM Cup 2016在线广告的跨设备匹配问题。第一种方法将匹配问题视为一个二进制分类任务，并利用集成学习技术来解决它。第二种方法将匹配问题定义为一个排序任务，并使用学习排序算法有效地解决它。实验结果表明，基于排序的方法比基于分类的方法具有更好的性能。
2016-12-20 cs.IR cs.LG
Rank over Class: The Untapped Potential of Ranking in Natural Language Processing
Durham University（杜伦大学）；Newcastle University（纽卡斯尔大学）
文本分类长期以来一直是自然语言处理（NLP）中的主要内容，其应用跨越不同的领域，例如情感分析、推荐系统和垃圾邮件检测。有了这样一个强大的解决方案，它往往是诱人的使用它作为去到所有的NLP问题的工具，因为当你拿着锤子，一切看起来像一个钉子。然而，我们在这里认为，目前使用分类解决的许多任务实际上都被硬塞进了分类模型中，如果我们将它们作为一个排名问题来解决，我们不仅改进了模型，而且实现了更好的性能。我们提出了一种新的端到端的排名方法，由一个Transformer网络负责产生一对文本序列的表示，这反过来又传递到一个上下文聚合网络输出排名分数用于确定排序的序列的基础上的一些概念的相关性。我们在公开的数据集上进行了大量的实验，并研究了排名在经常使用分类解决的问题中的应用。在一个严重倾斜的情感分析数据集上的实验中，将排名结果转换为分类标签比最先进的文本分类提高了大约22%，证明了文本排名在某些情况下比文本分类更有效。
2021-12-03 cs.CL cs.LG
Document Ranking with a Pretrained Sequence-to-Sequence Model
David R. Cheriton School of Computer Science（David R. Cheriton计算机科学学院）；University of Waterloo（滑铁卢大学）
这项工作提出了一种新的适应预训练序列到序列模型的任务文档排序。我们的方法从根本上不同于通常采用的基于分类的排名公式，基于仅编码器预训练的Transformer架构，如BERT。我们展示了如何训练序列到序列模型来生成相关标签作为“目标词”，以及如何将这些目标词的潜在逻辑解释为相关概率进行排名。在流行的MS MARCO通道排名任务中，实验结果表明，我们的方法至少与以前的基于分类的模型相当，并且可以通过更大，更新的模型超越它们。在TREC 2004 Robust Track的测试集上，我们展示了一种基于zero-shot传输的方法，该方法优于以前需要数据集内交叉验证的最先进模型。此外，我们发现我们的方法在数据贫乏的情况下（即，只有很少的训练样本）。我们通过改变目标词来进一步研究这一观察结果，以探索模型对潜在知识的使用。
2020-03-14 cs.IR cs.LG
RLSEP: Learning Label Ranks for Multi-label Classification
Istanbul Technical University（伊斯坦布尔技术大学）；Technical University of Munich（慕尼黑工业大学）；University of Vermont（佛蒙特大学）
多标签排名将实例映射到来自多个可能类别的预测标签的排名集合。多标签学习问题的排名方法因其在多标签分类中的成功而受到关注，其中一种著名的方法是成对标签排名。然而，大多数现有的方法假设，只有部分信息的偏好关系是已知的，这是推断从分区的标签分为一个积极的和消极的集合，然后对待标签具有同等的重要性。在本文中，我们专注于独特的挑战，排名时，真正的标签集的顺序提供。我们提出了一种新的专用损失函数，通过对错误排序的对进行惩罚来优化模型，并利用输入中的排序信息。我们的方法在合成和真实世界排名的数据集上都实现了最佳的性能指标，并在标签的整体排名上有所改进。我们的实验结果表明，我们的方法是可推广到各种多标签分类和排名任务，同时揭示了一个校准到一定的排名排序。
2022-12-08 cs.CV cs.LG
Efficient Zero-Shot Long Document Classification by Reducing Context Through Sentence Ranking
Pune Institute of Computer Technology（普那计算机技术研究所）；Indian Institute of Technology Madras（印度理工学院马德拉斯分校）；L3Cube Labs（L3Cube实验室）
针对BERT等模型在长文档分类中受输入长度和计算效率限制的问题，提出基于TF-IDF句子排序减少上下文的零样本方法，在MahaNews数据集上保留50%句子可维持准确率且推理时间最多降35%，实现高效分类。
2025-08-24 cs.CL cs.LG
Variance Reduction for Heavy-Tailed Monetization Metrics in Ranking Experiments via Post-Stratification
ShareChat；Aampe；Simulacra Research
针对排序实验中重尾货币化指标方差大、统计功效低的问题，提出结合事后分层与CUPED的方差缩减框架，利用实验前协变量提升灵敏度，在ShareChat部署后以约45%的流量实现同等统计置信度。
2026-06-02 cs.LG stat.ML
Deep Node Ranking for Neuro-symbolic Structural Node Embedding and Classification
Jožef Stefan Institute（约瑟夫·斯蒂芬研究所）；Cosylab d.o.o.（Cosylab 公司）；National Institute of Chemistry（国家化学研究所）；Faculty of Computer and Information Science（计算机与信息科学学院）；University of Nova Gorica（新戈里察大学）
网络节点嵌入是复杂网络分析的一个活跃的研究领域。本文提出了一种新的方法来学习网络节点嵌入和直接节点分类使用的节点排名计划加上一个自动编码器为基础的神经网络架构。提出的深度节点排名（DNR）算法的主要优点是有竞争力或更好的分类性能，显着更高的学习速度和更低的空间要求相比，最先进的方法对15个现实生活中的节点分类基准。此外，它可以探索符号和派生的子符号节点表示之间的关系，提供对学习节点空间结构的见解。为了避免直接节点分类设置中的空间复杂度瓶颈，DNR以小批量计算来自给定节点的个性化随机游走的平稳分布，无缝扩展到更大的网络。与DNR相关的缩放定律也在1488个合成的Erdens-Rényi网络上进行了研究，证明了它对数千万条链路的可扩展性。
2021-08-30 cs.LG stat.ML
Dimensionality Reduction and (Bucket) Ranking: a Mass Transportation Approach
LTCI, Télécom ParisTech, Université Paris-Saclay（LTCI，巴黎高等电信学院，巴黎萨克雷大学）
尽管用于多变量数据的大多数降维技术（例如PCA、ICA、NMF）本质上在一定程度上依赖于线性代数，但是由于缺少用于排列集合$\mathfrak{S}_n$的向量空间结构，所以总结排名数据（被视为在由$i\in \{1,\ldots,\; n\}$索引的项目集合上的随机排列$Σ$的实现）是巨大的统计挑战。本文的目标是开发一个原始框架，用于可能减少描述由排名/排列组成的统计总体分布所需的参数数量，前提是研究中的项目集合可以划分为子集/桶，这样，以高概率，某个桶中的项目要么全部排名高于另一个桶中的项目，要么全部排名低于另一个桶中的项目。在此上下文中，$Σ$的分布可以有希望地通过桶分布（即，桶排序加上每个桶内的排名分布）以稀疏方式表示。更确切地说，我们引入了一个专门的失真措施，基于质量运输度量，以量化这种表示的准确性。桶的性能最小化的失真的经验版本的影响，通过率界分析。复杂性惩罚技术也被认为是选择桶顺序的形状与最小的预期失真。除了理论概念和结果，真实排名数据的数值实验显示，以提供经验证据的相关性的方法促进。
2019-08-30 cs.LG stat.ML
A Multiclass Classification Approach to Label Ranking
LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院巴黎电信学院LTCI实验室）；IDEMIA（亿达美）
在多类分类中，目标是学习如何通过具有最小错误概率$\mathbb{P}\{Y\neq g(X) \}$的分类规则$g:\mathbb{R}^q\to \mathcal{Y}$，基于观察一个r.v. $X$，在$\mathbb{R}^q$中取其值，用$q\geq 1$来预测一个随机标签$Y$，在$\mathcal{Y}=\{1,\; \ldots,\; K \}$中取值。然而，在各种情况下，目标任务可能更加雄心勃勃，包括按照后验概率$η_y(X)=\mathbb{P}\{Y=y \mid X \}$的降序对所有可能分配给$X$的标签值$y$进行排序。本文致力于分析这种统计学习问题，介于多类分类和后验概率估计（回归）之间，这里称为标签排名。我们强调的事实是，它可以被视为排名中位数回归（RMR）的一个特定变体，其中，而不是观察分配给输入向量$X$的随机排列$Σ$，并从具有条件偏好向量$(η_1(X),\; \ldots,\; η_K(X))$的Bradley-Terry-Luce-Plackett模型中提取，用于训练标签排名规则的唯一信息是排名在顶部的标签$Y$，即$Σ^{-1}(1)$。最近的结果在RMR的启发下，我们证明了在适当的噪声条件下，一对一（OVO）的方法multiclassification收益率，作为一个副产品，具有压倒性的概率的标签的最佳排名。除了理论上的保证，相关的标…
2020-02-21 cs.LG stat.ML
Feature ranking for multi-label classification using Markov Networks
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
提出了一种简单有效的多标签分类特征排序方法。该方法产生一个排名的功能，显示其相关性的预测标签，这反过来又允许选择一个最终的子集的功能。该过程基于马尔可夫网络，并允许以直接的方式对标签和特征之间的依赖关系进行建模。在第一步中，我们只使用标签构建一个简单的网络，然后测试添加单个特征对初始网络的影响。更具体地说，在第一步中，我们使用伊辛模型，而第二步是基于得分统计，这允许非常快速地测试添加的特征的重要性。所提出的方法不需要转换的标签空间，给出了可解释的结果，并允许有吸引力的可视化依赖结构。通过讨论伊辛模型和分数统计量的一些理论性质，我们给出了一个理论上的证明。我们还讨论了基于$l_1$正则化逻辑回归拟合伊辛模型的特征排序过程。数值实验表明，所提出的方法优于传统的方法所考虑的人工和真实数据集。
2016-02-24 cs.LG stat.ML
A Natural Language Processing-Based Classification and Mode-Based Ranking of Musculoskeletal Disorder Risk Factors
Khulna University of Engineering & Technology (KUET)（库尔纳工程技术大学（KUET））
本研究结合自然语言处理与基于众数的排序，分类和排序肌肉骨骼疾病风险因素，发现工作姿势最严重，为预防提供可操作见解。
2024-11-05 cs.CL cs.LG
The Fairness of Risk Scores Beyond Classification: Bipartite Ranking and the xAUC Metric
Cornell University（康奈尔大学）
在机器学习的预测风险评分为高风险决策提供信息的情况下，例如刑事司法中的保释和判刑，公平性一直是一个严重的问题。最近的工作的特点是不同的影响，这种风险分数可以有一个二元分类任务时使用。然而，这可能无法解释风险评分的下游用途更加多样化及其非二元性质。为了更好地解释这一点，在本文中，我们调查的角度来看，一个二分排序任务，其中一个试图排名积极的例子高于消极的预测风险分数的公平性。我们引入xAUC差异作为评估风险评分的不同影响的指标，并将其定义为将一个受保护组的随机阳性样本排名在另一组的阴性样本之上的概率差异，反之亦然。我们提供了一个分解的二分排名损失的组件，涉及的差异和组件，涉及每个组内的纯预测能力。我们使用xAUC分析来审计累犯预测，收入预测和心脏骤停预测的预测风险评分，其中它描述了简单比较组内预测性能并不明显的差异。
2019-06-01 cs.LG stat.ML
RankAug: Augmented data ranking for text classification
Manipal Institute of Technology（马尼帕尔理工学院）
针对合成数据评估方法存在空白的问题，提出文本排序方法RankAug，用于过滤语义相似且具词汇句法多样性的增强文本，实验显示该方法可使样本不足类别的分类准确率最高提升35%。
2023-11-08 cs.AI cs.CL cs.LG
Top-K Pairwise Ranking: Bridging the Gap Among Ranking-Based Measures for Multi-Label Classification
IIE, Chinese Academy of Sciences（中国科学院自动化研究所）；SCS, University of Chinese Academy of Sciences（中国科学院大学计算机科学与技术学院）；IIP, ICT, Chinese Academy of Sciences（中国科学院计算技术研究所）；SCST, University of Chinese Academy of Sciences（中国科学院大学计算机科学与技术学院）；Alibaba Group（阿里巴巴集团）；SCST, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区计算机科学与技术学院）；BDKM, University of Chinese Academy of Sciences（中国科学院大学大数据与知识管理实验室）
针对多标签排序任务中不同评估指标下模型表现不一致的问题，提出兼容现有排序指标的TKPR指标，构建具备理论支撑的代理风险最小化框架，并通过实验验证其有效性。
2024-07-09 cs.CV cs.LG
Ranking via Robust Binary Classification and Parallel Parameter Estimation in Large-Scale Data
Purdue University（普渡大学）
我们提出了RoBiRank，排名算法，其动机是观察学习排名和鲁棒分类损失函数的评估指标之间的密切联系。该算法在标准基准数据集上显示出非常有竞争力的性能，与文献中的其他代表性算法相比。另一方面，在大规模的问题，明确的特征向量和分数没有给出，我们的算法可以有效地并行在大量的机器;对于需要在待排序的项目之间进行386，133 × 49，824，519个成对交互的任务，在相同的计算时间下，我们的算法找到的解决方案的质量比最先进的竞争对手算法找到的解决方案的质量要高得多。
2014-08-21 cs.DC cs.LG stat.CO
Joint Ranking SVM and Binary Relevance with Robust Low-Rank Learning for Multi-Label Classification
University of Chinese Academy of Sciences（中国科学院大学）；Chinese Academy of Sciences（中国科学院）；Beijing Union University（北京联合大学）
多标签分类研究每个样本同时属于多个标签的任务。作为一种代表性的方法，排序支持向量机（Rank-SVM）的目标是最小化排序损失，也可以减轻类不平衡问题的负面影响。然而，由于其堆叠式的阈值方式，它可能会遭受错误积累，从而降低最终的分类性能。二进制相关（BR）是另一种典型的方法，其目的是最大限度地减少汉明损失，只需要一步学习。然而，它可能存在类别不平衡问题，并且没有考虑标签相关性。针对上述问题，本文提出了一种新的多标签分类模型，该模型将Ranking支持向量机和二进制相关性与鲁棒低秩学习（RBRL）相结合。RBRL继承了Rank-SVM的排序损失最小化的优点，从而克服了BR遭受类不平衡问题和忽略标签相关性的缺点。同时，它利用汉明损失最小化和一步学习的优势BR，从而解决了Rank-SVM的缺点，包括另一个阈值学习步骤。此外，在低维标签空间的假设下，利用低秩约束进一步利用高阶标签相关性。此外，为了实现非线性多标签分类器，我们推导出核化RBRL。两种加速近似梯度法（APG）被用来解决优化问题的有效。与几个国家的最先进的方法进行了广泛的比较实验，说明了我们的方法RBRL具有很强的竞争力或优越的性能。
2019-11-05 cs.LG stat.ML
LTR-ICD: A Ranking-Aware Framework for Automatic ICD Coding
Center for Applied Intelligent Systems Research（应用智能系统研究中心）；Halmstad University（哈马碧大学）
本研究提出LTR-ICD框架，将自动ICD编码任务从分类改为分类与排名任务，在主要诊断编码排名准确率及微、宏F1值上均优于现有最优方法。
2026-08-26 cs.CL cs.IR cs.LG
GitRanking: A Ranking of GitHub Topics for Software Classification using Active Sampling
University of Groningen（格罗宁根大学）；University of L’Aquila（拉奎拉大学）
本文提出GitRanking框架，利用主动采样和Wikidata链接，根据含义通用性对GitHub主题进行分层排名，解决软件分类体系缺乏明确定义的问题，帮助开发者更精确地标注和发现项目。
2022-05-19 cs.IR cs.LG cs.SE
Optirank: classification for RNA-Seq data with optimal ranking reference genes
Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Swiss Data Science Center（瑞士数据科学中心）；ETH Zürich（苏黎世联邦理工学院）
使用RNA测序（RNA测序）数据作为输入的分类算法用于各种生物学应用中。从本质上讲，RNA测序数据在数据集内，特别是在数据集之间都会受到不受控制的波动，这给经过训练的分类器推广到外部数据集带来了很大的困难。用观察内的基因计数的秩替换原始基因计数已被证明有效地缓解了该问题。然而，根据定义，特征的排名是相对于所有其他特征的，包括在排名中引入噪声的高度可变的特征。为了解决这个问题，并获得更强大的排名，我们提出了一个逻辑回归模型，optirank，同时学习模型的参数和基因作为参考集的排名。我们证明了这种方法的有效性模拟数据。我们还考虑了真正的分类任务，它呈现了不同种类的分布之间的转变训练和测试数据。这些任务涉及各种应用，例如未知主要分类的癌症、特定基因签名的鉴定以及单细胞RNA测序数据集中细胞类型的确定。在这些实际任务中，optirank的表现至少与经典秩上的香草逻辑回归一样好，同时产生更稀疏的解决方案。此外，为了提高对数据集变化的鲁棒性，我们提出了一个多源学习方案，并证明了其有效性时，结合使用基于排名的分类器。
2023-01-11 cs.LG q-bio.GN
Improving the Efficiency of Long Document Classification using Sentence Ranking Approach
Pune Institute of Computer Technology（普那计算机技术研究所）；Indian Institute of Technology Madras（印度理工学院马德拉斯分校）；L3Cube Labs（L3Cube实验室）
针对长文档分类中Transformer模型的计算限制和冗余问题，提出基于TF-IDF的句子排序方法，选择关键句子，在MahaNews LDC数据集上以0.33%的准确率下降换取超过50%的输入缩减和43%的延迟降低。
2025-06-22 cs.CL cs.LG
Nonlinear classifiers for ranking problems based on kernelized SVM
Czech Technical University in Prague（布拉格捷克理工大学）；Czech Academy of Sciences（捷克科学院）
许多分类问题只关注最大化具有最高相关性的样本而不是所有样本的性能。作为一个例子，我们可以提到排名问题，在顶部或搜索引擎的准确性，只有前几个查询的问题。在我们以前的工作中，我们得出了一个一般的框架，包括几类这些线性分类问题。在本文中，我们扩展的框架，非线性分类。利用与SVM的相似性，我们将问题二元化，增加核函数，并提出了一种分量对偶上升方法。
2023-03-27 cs.LG stat.ML
Ranking-Based Autoencoder for Extreme Multi-label Classification
Northeastern University（东北大学）；JD.com Inc.（京东公司）；North Carolina State University（北卡罗来纳州立大学）
极端多标签分类（Extreme Multi-label classification，XML）是一项重要而又具有挑战性的机器学习任务，它从一个非常大的标签集合中为每个实例分配最相关的候选标签，其中标签、特征和实例的数量可能是数千或数百万。随着业务规模和数据量的不断增加，XML在互联网行业中的需求越来越大。极大的标签集合产生了诸如计算复杂性、标签间依赖性和噪声标签之类的挑战。已经提出了许多方法来解决这些挑战，基于不同的数学公式。在本文中，我们提出了一种深度学习XML方法，具有基于词向量的自关注，然后是基于排名的AutoEncoder架构。该方法有三个主要优点：1）通过将标签和特征投影到一个公共的嵌入空间，自动编码器同时考虑了标签间依赖和特征-标签依赖; 2）排序损失不仅提高了训练效率和准确性，而且可以扩展到处理有噪声的标签数据; 3）有效的注意力机制通过突出特征的重要性来改善特征的表示。在基准数据集上的实验结果表明，该方法是有竞争力的国家的最先进的方法。
2019-04-11 cs.LG stat.ML
Constrained Classification and Ranking via Quantiles
Google AI Perception（谷歌AI感知）；Department of Mathematics, UCLA（加州大学洛杉矶分校数学系）
在大多数机器学习应用中，分类准确性不是主要的关注指标。面临类别不平衡的二进制分类器通常通过$F_β$分数、精确-召回曲线下的面积、K处的精确度等来评估。这些度量中的许多度量的最大化可以表示为约束优化问题，其中约束是分类器的预测的函数。在本文中，我们提出了一种新的框架，学习的约束，可以表示为一个预测的积极率（或负率）的一个子集的训练数据。我们明确地建模的阈值，在该阈值下，分类器必须操作，以满足约束，产生一个代理损失函数，避免了复杂的约束优化。该方法是模型不可知的，只是稍微比无约束损失的最小化更昂贵。在各种基准测试上的实验显示出相对于现有基线的竞争力。
2018-02-28 cs.LG stat.ML
Residual Networks based Distortion Classification and Ranking for Laparoscopic Image Quality Assessment
Norwegian University of Science and Technology (NTNU)（挪威科技大学）
腹腔镜图像和视频经常受到不同类型的失真影响，如噪声、烟雾、模糊和不均匀照明。自动检测这些失真，然后通常应用适当的图像质量增强方法，对于避免手术期间的错误至关重要。在这种情况下，一个关键步骤涉及图像质量的客观评估，这是一个双重问题，既需要对影响图像的失真类型进行分类，又需要估计该失真的严重程度。与现有的图像质量措施，主要集中在估计的质量分数，我们建议在本文中制定的图像质量评估任务作为一个多标签分类问题，同时考虑到类型以及严重程度（或等级）的失真。在这里，这个问题通过采用基于深度神经网络的方法来解决。腹腔镜图像数据集上得到的结果表明所提出的方法的效率。
2021-06-12 cs.LG eess.IV
Aggregation of pairwise comparisons with reduction of biases
Yandex（扬德克斯）
我们研究了众包成对比较的排名问题。已知成对任务的答案会受到屏幕上项目位置的影响，然而，以前的成对比较聚合模型并没有专注于对这种偏差进行建模。我们引入了一个新的聚合模型factorBT成对比较，它占某些因素的成对任务，已知是无关的比较结果，但可能会影响工人的答案，由于知觉的原因。通过对影响工人的偏见进行建模，factorBT能够减少有偏见的成对比较对结果排名的影响。我们对真实世界数据集的实证研究表明，factorBT从众包的成对比较中产生的排名比以前建立的模型更准确。
2019-06-09 cs.LG stat.ML
Iterative subtraction method for Feature Ranking
DESY（德国电子同步加速器研究所）；CERN（欧洲核子研究组织）
用于分析物理过程的训练特征通常是高度相关的，并且确定哪些特征对分类最重要是一项重要的任务。对于搜索与LHC中衰减为底夸克的希格斯玻色子相关的顶夸克对的用例，我们比较了分类BDT的特征排序方法。排名的方法，如BDT选择频率通常用于高能物理和置换性能，比较计算费用的迭代添加和迭代删除程序，而后者被认为是最有效的。
2019-06-13 cs.LG hep-ex physics.data-an
Audio feature ranking for sound-based COVID-19 patient detection
University of Brighton（布莱顿大学）；Royal Holloway University of London（伦敦大学皇家霍洛威学院）
使用呼吸和咳嗽样本的音频分类最近已成为一种低成本，非侵入性和可访问的COVID-19筛查方法。然而，一项全面的调查显示，由于关键医疗环境的严格可靠性和准确性要求，在撰写本文时，还没有任何应用程序被批准用于官方用途。为了支持机器学习分类模型的开发，我们对15个音频特征进行了广泛的比较调查和排名，其中包括不太知名的特征。结果在两个独立的COVID-19声音数据集上得到了验证。通过使用识别出的性能最佳的特征，与没有我们的特征排名的原始基线准确度相比，我们在剑桥数据集上将COVID-19分类准确度提高了17%，在Coswara数据集上提高了10%。
2022-11-23 cs.LG cs.SD eess.AS
Feature Ranking for Semi-supervised Learning
Jožef Stefan Institute（约瑟夫·斯特凡研究所）；Jožef Stefan International Postgraduate School（约瑟夫·斯特凡国际研究生院）
可用于分析的数据在几个方向上变得越来越复杂：高维数，示例数量和每个示例的标签数量。这对现有的机器学习方法提出了各种挑战：处理具有大量在高维空间中描述的示例的数据集，并且不是所有示例都提供了标签。例如，当研究化学化合物的毒性时，有很多可用的化合物，其可以用信息丰富的高维表示来描述，但并非所有化合物都具有关于其毒性的信息。为了解决这些挑战，我们提出了半监督学习的功能排名。在分类和回归的背景下以及在结构化输出预测（多标签分类、分层多标签分类和多目标回归）的背景下学习特征排名。据我们所知，这是在半监督结构化输出预测上下文中处理特征排名任务的第一项工作。更具体地说，我们提出了两种方法，是基于树集成和救济家庭的算法。对38个基准数据集的广泛评估揭示了以下内容：随机森林对于分类类任务表现最好，而对于回归类任务，Extra-PCT表现最好，考虑到所有任务的诱导时间，随机森林是最有效的方法，并且半监督特征排名在来自不同任务的大多数数据集上优于其监督对应物。
2020-08-10 cs.LG stat.ML
Surrogate Regret Bounds for Bipartite Ranking via Strongly Proper Losses
Indian Institute of Science（印度科学学院）
二分排名问题，其中实例被标记为正面或负面，目标是学习一个评分函数，该函数最大限度地减少对一对正面和负面实例的错误排名概率（或等效地，最大化ROC曲线下的面积），近年来已被广泛研究。一个占主导地位的理论和算法框架的问题已经减少二分排名成对分类，特别是，它是众所周知的，二分排名遗憾可以制定成对分类遗憾，这反过来又可以使用通常的遗憾界分类问题的上限。最近，Kotlowski et al.（2011）根据与标准（非成对）逻辑和指数损失的平衡版本相关的遗憾，显示了二分排序的遗憾界限。在本文中，我们表明，这种（非成对）代理遗憾界的二分排名可以得到一个广泛的类适当的（复合）损失，我们的术语作为强适当的。我们的证明技术比Kotlowski等人（2011）简单得多，并且依赖于Reid和Williamson（2010，2011）和其他人最近阐明的适当（复合）损失的性质。我们的结果产生明确的代理边界（没有隐藏的平衡条款）在各种强适当的损失，包括例如逻辑，指数，平方和平方铰链损失的特殊情况。我们还通过Clemencon和Robbiano（2011）的最新结果在某些低噪声条件下获得了更紧密的代理边界。
2012-07-02 cs.LG stat.ML
A Ranking Approach to Fair Classification
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Saarland University（萨尔大学）
决策系统越来越多地用于招聘、入学或贷款审批等领域。通常，这些系统依赖于标记数据来训练分类模型。然而，在许多情况下，地面实况标签是不可用的，相反，我们只能访问不完美的标签作为（可能有偏见的）人为决策的结果。尽管不完美，历史决策往往包含一些有用的信息，对未观察到的真实标签。在本文中，我们专注于只有不完美的标签的情况下，提出了一个新的公平的排名为基础的决策系统的基础上，合法的功能和结果之间的单调关系。我们的方法既直观又易于实现，因此特别适合在现实世界中采用。更详细地说，我们引入了一个基于距离的决策标准，它结合了有用的信息，从历史的决定和帐户不必要的相关性之间的保护和合法的功能。通过对合成数据和真实数据的广泛实验，我们证明了我们的方法是公平的，因为a）它将理想的结果分配给最合格的个体，b）它消除了决策中的刻板印象的影响，从而优于传统的分类算法。此外，我们能够从理论上证明，我们的方法与个人公平的一个突出概念是一致的，即“相似的个人应该得到相似的对待。"
2021-07-16 cs.AI cs.LG
The Tile: A 2D Map of Ranking Scores for Two-Class Classification
Montefiore Institute, University of Liège（列日大学蒙泰菲奥雷研究所）
提出名为The Tile的新型工具，将二分类器的无穷多排序分数整合于单一2D地图中，克服了ROC和PR空间的局限，有效实现分类器性能的可视化排序与比较。
2024-12-18 cs.CV cs.LG cs.PF
RUBRIC: Realism--Utility Balanced Ranking for Imbalanced Classification
Columbia University（哥伦比亚大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of Melbourne（墨尔本大学）
研究类别不平衡问题，提出RUBRIC框架，将合成样本选择设为质量优化问题，用现实-效用权衡排序，能收紧泛化边界，经实验验证其在信用卡欺诈检测等任务中可提升F1宏和召回率，保持ROC-AUC并可进行lambda敏感性分析。
2026-10-08 cs.LG
DeepSRGM -- Sequence Classification and Ranking in Indian Classical Music with Deep Learning
University of Illinois, Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出基于LSTM-RNN的深度学习方法DeepSRGM，通过预处理和短序列训练实现印度古典音乐的Raga识别，在CompMusic Carnatic数据集上达到88.1%和97%的准确率，并支持旋律模式检索。
2024-02-15 cs.AI cs.IR cs.LG
Deep Depression Prediction on Longitudinal Data via Joint Anomaly Ranking and Classification
Singapore Management University（新加坡管理大学）；University of Adelaide（阿德莱德大学）；University of Melbourne（墨尔本大学）
已经开发了各种各样的方法来识别抑郁症，但它们主要集中在测量个体目前患有抑郁症的程度。在这项工作中，我们探讨了使用机器学习应用于纵向社会人口统计数据预测未来抑郁症的可能性。在这样做的过程中，我们表明，住房状况和家庭环境的细节等数据可以为预测未来的精神疾病提供线索。为此，我们引入了一种新的深度多任务递归神经网络来学习时间依赖性抑郁线索。该方法将抑郁预测任务与两个辅助异常排序任务进行联合优化，包括对比性单类特征排序和偏差排序。辅助任务解决了问题的两个关键挑战：1）抑郁样本的高类内方差：它们能够学习对抑郁样本的高度变化类内分布具有鲁棒性的表示;以及2）小标记数据量：它们显著地提高了预测模型的样本效率，这减少了对在实践中难以收集的大的抑郁标记数据集的依赖。对大规模儿童抑郁症数据的大量实证结果表明，我们的模型是样本有效的，可以准确地预测抑郁症发生前2-4年，大大优于8个代表性的比较。
2022-03-20 cs.AI cs.CY cs.LG
Coronavirus (COVID-19) Classification using Deep Features Fusion and Ranking Technique
Konya Technical University（科尼亚技术大学）；Amasya University（阿马西亚大学）
冠状病毒（COVID-19）于二零一九年底出现。世界卫生组织（WHO）将其确定为全球流行病。人们一致认为，使用计算机断层扫描（CT）技术进行流行性疾病的早期诊断，可以提供快速和准确的结果。放射科专家表示，COVID-19在CT图像中显示不同的行为。在这项研究中，提出了一种新的方法，作为融合和排名的深度特征，以在早期阶段检测COVID-19。从150张CT图像中获得16x16（子集-1）和32x32（子集-2）块，以生成子数据集。在所提出的方法的范围内，3000个补丁图像已被标记为COVID-19和无发现用于训练和测试阶段。特征融合和排序方法已被应用，以提高所提出的方法的性能。然后，用支持向量机（SVM）对处理后的数据进行分类。根据用于迁移学习的其他预训练卷积神经网络（CNN）模型，所提出的方法在子集2上表现出高性能，准确率为98.27%，灵敏度为98.93%，特异性为97.60%，精确度为97.63%，F1分数为98.28%，马修斯相关系数（MCC）为96.54%。
2020-04-07 cs.CV cs.LG cs.NE
RankUp: Boosting Semi-Supervised Regression with an Auxiliary Ranking Classifier
Academia Sinica（中央研究院）；NVIDIA（英伟达公司）
针对现有半监督分类技术无法直接用于回归任务的问题，提出RankUp方法将回归转排序任务结合分类技术，辅以RDA优化伪标签，在多领域回归基准上取得SOTA性能并开源代码。
2024-10-29 cs.CL cs.CV cs.LG
Smooth Ranking SVM via Cutting-Plane Method
Boston University（波士顿大学）；McMaster University（麦克马斯特大学）；Bogazici University（博阿齐奇大学）
针对类别不平衡下准确率优化失效的问题，提出基于割平面法的平滑原型学习 Ranking SVM，通过迭代割平面与权重变化惩罚提升 AUC，并在 73 个二分类数据集上验证。
2024-01-25 cs.LG
pyLEMMINGS: Large Margin Multiple Instance Classification and Ranking for Bioinformatics Applications
Biomedical Informatics Research Laboratory (BIRL), Department of Computer and Information Sciences, Pakistan Institute of Engineering and Applied Sciences (PIEAS)（巴基斯坦工程与应用科学学院（PIEAS）计算机与信息科学系生物医学信息学研究实验室）；Machine Learning and Vision Laboratory, School of Electrical Engineering and Computer Science, Gwangju Institute of Science and Technology（光州科学技术院电气工程与计算机科学学院机器学习与视觉实验室）；Department of Computer Science, Colorado State University（科罗拉多州立大学计算机科学系）
动机：在计算生物学中开发基于机器学习的方法的主要挑战是，由于实验性地注释蛋白质和DNA序列的性质所需的时间和资源，数据可能无法被准确地标记。标准的监督学习算法假设训练数据的实例级标记是准确的。多实例学习是处理这种标签歧义的范例。然而，广泛使用的大间隔多实例学习分类方法本质上是启发式的，具有较高的计算要求。在本文中，我们提出了随机次梯度优化大边际算法的多实例分类和排名，并提供他们在一个软件套件称为pyLEMMINGS。结果：我们已经在一些生物信息学问题以及基准数据集上测试了pyLEMMINGS。pyLEMMINGS已经成功地鉴定了功能上重要的蛋白质片段：钙调蛋白结合蛋白的结合位点、朊病毒形成区域和淀粉样蛋白核心。pyLEMMINGS在所有这些任务中都实现了最先进的性能，证明了多实例学习的价值。此外，我们的方法已经显示出超过100倍的改进，在运行时间方面相比，启发式解决方案，提高了基准数据集的准确性。可用性和实现：pyLEMMINGS python包可在http://faculty.pieas.edu.pk/fayyaz/software.html#pylemmings下载。
2017-11-14 cs.LG stat.ML
Classifying Relations by Ranking with Convolutional Neural Networks
IBM Research（IBM研究院）；IBM Watson（IBM沃森）
关系分类是一个重要的语义处理任务，最先进的系统仍然依赖于昂贵的手工制作的功能。在这项工作中，我们使用一个卷积神经网络来处理关系分类任务，该网络通过排名来执行分类（CR-CNN）。我们提出了一个新的成对排序损失函数，可以很容易地减少人工类的影响。我们使用SemEval-2010 Task 8数据集进行实验，该数据集是为对句子中标记的两个名词之间的关系进行分类而设计的。使用CRCNN，我们在这个数据集上的表现优于最先进的技术，并在不使用任何昂贵的手工特征的情况下实现了84.1的F1。此外，我们的实验结果表明：（1）我们的方法比CNN后面跟着softmax分类器更有效;（2）省略人工类Other的表示提高了精度和召回率;（3）如果我们只考虑两个目标名词之间的文本，仅使用词嵌入作为输入特征就足以实现最先进的结果。
2015-05-24 cs.CL cs.LG cs.NE
Contextual bandits with concave rewards, and an application to fair ranking
PSL University（巴黎文理研究大学）；Meta AI
我们认为上下文的强盗与凹奖励（CBCR），一个多目标的强盗问题，其中所需的权衡之间的奖励是由一个已知的凹目标函数定义的，和奖励向量取决于观察到的随机上下文。我们提出了第一个算法，可证明消失的遗憾CBCR没有限制的政策空间，而以前的作品仅限于有限的政策空间或表格表示。我们的解决方案是基于几何解释的CBCR算法作为优化算法的期望回报跨越所有随机政策的凸集。基于约束凸优化中的Frank-Wolfe分析，我们得到了一个新的减少，从CBCR遗憾的标量奖励强盗问题的遗憾。我们说明了如何应用减少现成的线性和一般的奖励函数，在非组合行动的情况下，获得算法的CBCR。出于公平的建议，我们描述了一个特殊情况下的CBCR排名和公平意识的目标，导致第一个算法的遗憾保证上下文组合土匪公平曝光。
2023-02-28 cs.AI cs.CY cs.IR
Ranking and Rejecting of Pre-Trained Deep Neural Networks in Transfer Learning based on Separation Index
Imam-Khomeini International University（伊玛目霍梅尼国际大学）；University of Tehran（德黑兰大学）
预训练的深度神经网络（DNN）的自动排名减少了选择最佳预训练DNN所需的时间，并提高了迁移学习的分类性能。在本文中，我们介绍了一种新的算法，通过将一种简单的基于距离的复杂性度量（称为分离指数（SI））应用于目标数据集来对预训练的DNN进行排名。为此，首先，关于SI的背景，然后解释自动排序算法。在该算法中，SI是针对从预训练的DNN的特征提取部分通过的目标数据集计算的。然后，通过对计算出的SI进行降序排序，可以很容易地对预训练的DNN进行排名。在这种排名方法中，最好的DNN在目标数据集上产生最大的SI，并且在其计算的SI足够低的情况下，可以拒绝一些预先训练的DNN。通过使用三个具有挑战性的数据集，包括Linnaeus 5，乳腺癌图像和COVID-CT，评估所提出的算法的效率。对于前两个案例研究，所提出的算法的结果与目标数据集上训练的DNN的准确性完全匹配。对于第三个案例研究，尽管对目标数据进行了不同的预处理，但算法的排名与分类精度导致的排名具有很高的相关性。
2020-12-26 cs.LG stat.ML
DXML: Distributed Extreme Multilabel Classification
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）
作为一种大数据应用，极端多标签分类已经成为一个重要的研究课题，其应用于产品和项目的排名和推荐。提出了一种可扩展的混合分布式共享内存的极端分类大规模排名和推荐的实现。具体而言，该实现是使用MPI跨节点传递消息和使用OpenMP在节点上使用多线程的混合。推导了通信延迟和通信量的表达式。针对共享内存体系结构，提出了基于工作跨度模型的并行计算方法。这揭示了类似极端分类方法的预期可扩展性。实验结果表明，该方法在大数据集上的训练和测试速度都比较快。在某些情况下，模型尺寸相对较小。
2021-10-20 cs.AI cs.DC cs.IR
Ranking hierarchical multi-label classification results with mLPRs
Institute of Statistics and Data Science, National Taiwan University, Taipei, Taiwan.（统计与数据科学研究所，国立台湾大学，台北，台湾）；Department of Statistics University of California Berkeley, CA, USA.（统计学系，加州大学伯克利分校，加州，美国）
针对分层多标签分类第二阶段问题，提出基于多维局部精度率（mLPR）的决策策略和 HierRank 算法，通过优化新目标函数 CATCH 在遵守层次约束下提升分类决策准确性。
2025-11-02 cs.LG stat.ML
COTA: Improving the Speed and Accuracy of Customer Support through Ranking and Deep Networks
Uber AI Labs（优步人工智能实验室）；Uber Technologies（优步科技）
对于一家希望提供愉快的用户体验的公司来说，解决任何客户问题都是至关重要的。本文提出了COTA，一个系统，以提高速度和可靠性的客户支持的最终用户，通过自动票分类和答案选择支持代表。展示了两种机器学习和自然语言处理技术：一种依赖于特征工程（COTA v1），另一种通过深度学习架构（COTA v2）利用原始信号。COTA v1采用了一种新的方法，将多分类任务转换为排名问题，在数千个类的情况下表现出显着更好的性能。对于COTA v2，我们提出了一种编码器-组合器-解码器，这是一种新型的深度学习架构，允许异构输入和输出特征类型，并通过网络架构选择注入先验知识。本文比较了这些模型及其变体在门票分类和答案选择任务上的表现，显示模型COTA v2优于COTA v1，并分析了它们的内部工作原理和缺点。最后，在生产环境中进行A/B测试，验证COTA在减少10%的问题解决时间而不降低客户满意度方面的实际影响。
2018-07-03 cs.CL cs.LG stat.ML
Comparing Explanation Methods for Traditional Machine Learning Models Part 2: Quantifying Model Explainability Faithfulness and Improvements with Dimensionality Reduction
Cooperative Institute for Severe and High-Impact Weather Research and Operations, University of Oklahoma（俄克拉荷马大学强天气与高影响天气合作研究所）；University of Oklahoma（俄克拉荷马大学）；NOAA/OAR/National Severe Storms Laboratory（美国国家海洋和大气管理局/海洋与大气研究办公室/国家强风暴实验室）；Verisk Analytics Incorporated（Verisk分析公司）；NSF AI Institute for Research on Trustworthy AI in Weather, Climate, and Coastal Oceanography（美国国家科学基金会天气、气候与沿海海洋学可信人工智能研究人工智能研究所）
机器学习（ML）模型在大气科学界越来越常见，具有广泛的应用。为了使用户能够理解ML模型已经学到了什么，ML可解释性已经成为一个活跃的研究领域。在这个两部分研究的第一部分中，我们描述了几种可解释性方法，并证明了不同方法的特征排名可能彼此不一致。然而，目前还不清楚这种分歧是否由于某些方法在分配重要性方面不那么忠实而被夸大了。在本文中，“忠实性”或“保真度”是指所分配的特征重要性与特征对模型性能的贡献之间的对应关系。在本研究中，我们使用多种方法来评估特征排序方法的可信度。考虑到解释方法对特征相关性的敏感性，我们还量化了相关特征受限后可解释性忠诚度的提高程度。在降维之前，特征相关性方法[例如，SHAP、LIME、ALE方差和逻辑回归（LR）系数]通常比排列重要性方法更忠实，这是由于相关特征的负面影响。当相关特征减少后，传统的排列重要性方法成为最可靠的方法。此外，排名不确定性（即，通过不同的排序方法分配给特征的排序的扩展）被减小了2-10倍，并且排除较不忠实的特征排序方法进一步减小了它。这项研究是第一个量化的改善，可解释性从限制相关的功能和了解不同的可解释性方法的相对保真度。
2022-11-18 cs.AI cs.LG physics.ao-ph
Supervised Feature Subset Selection and Feature Ranking for Multivariate Time Series without Feature Extraction
NEC Laboratories America（美国NEC实验室）
我们介绍了多变量时间序列（MTS）分类的监督特征排序和特征子集选择算法。与大多数现有的监督/无监督MTS的特征选择算法，我们的技术不需要一个特征提取步骤，从时间序列生成一个一维的特征向量。相反，它是基于直接计算单个时间序列之间的相似性，并评估产生的聚类结构与标签的匹配程度。该技术适用于异构MTS数据，其中时间序列测量可能具有不同的采样分辨率，以及多模态数据。
2020-05-01 cs.LG stat.ML
Bipartite Ranking Fairness through a Model Agnostic Ordering Adjustment
Tsinghua University（清华大学）；Weill Cornell Medicine（威尔康奈尔医学院）；Cornell University（康奈尔大学）
针对二分排序中的公平性与性能权衡问题，提出模型无关的后处理框架 xOrder，通过动态规划优化跨受保护群体的效用加权和，在维持分类性能的同时有效实现排序公平性。
2023-07-27 cs.CY cs.LG
