Ranking with multiple types of pairwise comparisons
Center for the Study of Complex Systems, University of Michigan(密歇根大学复杂系统研究中心)
根据配对之间的一系列比较对个人或团队进行排名的任务出现在各种情况下,包括体育比赛和对动物和人类之间的统治等级的分析。鉴于哪些竞争对手击败了其他竞争对手的数据,挑战在于将竞争对手从最好到最差进行排名。在这里,我们研究的问题,计算排名时,有多个,潜在的冲突模式的比较,如多种类型的动物之间的优势行为。我们假设我们不知道每个行为传递的关于排名的先验信息,甚至不知道它们是否传递任何信息。尽管如此,我们表明,它是可能的,在这种情况下计算排名,并提出了一种快速的方法,这样做的基础上,结合一个期望最大化算法和修改后的布拉德利-特里模型。我们选择的例子应用到动物和人类的竞争。
2022-10-19 cs.LG stat.ML
Multiple graph regularized protein domain ranking
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学);Qatar Computing Research Institute(卡塔尔计算研究所)
背景蛋白质结构域排序是结构生物学中的一项基本任务。大多数蛋白质结构域排序方法依赖于蛋白质结构域的成对比较,而忽略了蛋白质结构域数据库的全局流形结构。最近,已经提出了利用由成对相似性定义的图的全局结构的图正则化排名。然而,现有的图正则化排序方法对图模型和参数的选择非常敏感,这对于大多数蛋白质结构域排序方法来说仍然是一个难题。结果针对这一问题,提出了多图正则化排序算法MultiG- Rank. MultiG-Rank不是使用单个图来正则化排名分数,而是通过组合多个初始图进行正则化来近似蛋白质结构域分布的内在流形。图的权重学习与排名分数联合和自动,交替最小化的目标函数的迭代算法。在ASTRAL SCOP蛋白质结构域数据库的一个子集上的实验结果表明,MultiG-Rank比单图正则化排序方法和基于成对相似性的排序方法具有更好的排序性能。结论将多个图结合起来可以有效解决图正则化蛋白质结构域排序中的图模型和参数选择问题。这方面的推广引入了一个新的前沿应用多个图形解决蛋白质结构域排名的应用。
2013-04-21 cs.CE cs.IR cs.LG
MANI-Rank: Multiple Attribute and Intersectional Group Fairness for Consensus Ranking
Worcester Polytechnic Institute(伍斯特理工学院)
将许多排名者的偏好结合到一个单一的共识排名中,对于从招聘、录取到贷款的后续申请至关重要。虽然群体公平性已被广泛研究的分类,群体公平性的排名,特别是排名聚合仍然处于起步阶段。最近的工作引入了用于组合排名的公平排名聚合的概念,但仅限于候选人具有单个二进制保护属性的情况,即,他们只分为两类。然而,如何创建一个代表所有排名者偏好的共识排名,同时确保公平对待具有性别、种族和国籍等多重受保护属性的候选人,仍然是一个悬而未决的问题。在这项工作中,我们是第一个定义和解决这个开放的多属性公平共识排名(MFCR)问题。作为一个基础,我们设计了新的组公平性标准的排名,称为MANI-RANK,确保公平对待由个人保护属性及其交集定义的组。利用MANI-RANK准则,我们开发了一系列的算法,首次解决MFCR问题。我们的实验研究与丰富多样的共识方案表明,我们的MFCR方法是唯一的方法来实现交叉和保护属性的公平性,同时也代表了通过许多基础排名表达的偏好。我们对优秀奖学金的真实案例研究说明了我们的MFCR方法在减轻多个受保护属性及其交叉点之间的偏差方面的有效性。这是“MANI排名:多属性和交叉组公平性共识排名”的扩展版本,将出现在ICDE 2022中。
2022-07-20 cs.CY cs.LG
MMRM: A Multiplex Multimodal Representation Model for Product Ranking in E-commerce Search
针对电子商务搜索排名中多模态信息利用的局限,提出MMRM框架,通过共享主干从多信号学习生成多重商品表示,引入多重用户表示策略,并经实验验证其有效性,已成功应用于京东搜索引擎提升性能。
2026-07-14 cs.IR cs.LG cs.MM
How Many Validation Labels Do You Need? Exploring the Design Space of Label-Efficient Model Ranking
HKUST (GZ)(香港科技大学(广州));University of Washington(华盛顿大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出LEMR框架和MoraBench基准,通过策略性标注未标记验证集实例实现标签高效的模型选择,在23个NLP任务上显著降低标注成本,为资源受限环境提供经济准确的解决方案。
2024-02-17 cs.LG
Bradley-Terry Rankings for Recommender Systems Across Dataset Taxonomies
HSE University(俄罗斯莫斯科国立高等经济学院)
针对推荐算法排名对数据集特性敏感的问题,提出基于Bradley-Terry模型的数据驱动排名方法,并引入排名一致性指标和针对未见数据集的算法排名方法。
2026-06-05 cs.IR cs.LG stat.ML
Query-Adaptive Hash Code Ranking for Large-Scale Multi-View Visual Search
Beihang University(北京航空航天大学);Xidian University(西安电子科技大学);University of Technology at Sydney(悉尼科技大学)
基于散列的最近邻搜索在许多应用中变得有吸引力。然而,在散列量化通常退化的判别力时,使用汉明距离排序。此外,对于大规模的视觉搜索,现有的哈希方法不能直接支持多源数据的高效搜索,而文献表明,自适应地结合来自不同来源或视图的互补信息可以显着提高搜索性能。为了解决这些问题,本文提出了一种新的和通用的方法来构建多个哈希表与多个视图,并生成细粒度的排序结果,按位和表的水平。对于每个哈希表,查询自适应逐位加权,以减轻量化损失,同时利用哈希函数的质量和最近邻搜索他们的补充。从表的角度出发,为不同的数据视图建立多个哈希表作为联合索引,在此基础上提出了一种查询特定的排序融合方法,通过在图中扩散的方式对按位排序的结果进行重新排序.在三个著名的基准上进行的图像搜索的综合实验表明,该方法在单表和多表搜索上的性能比现有方法分别提高了17.11%和20.28%。
2019-04-18 cs.IR cs.LG
MINI-Net: Multiple Instance Ranking Network for Video Highlight Detection
Sun Yat-sen University(中山大学);Pazhou Lab(琶洲实验室);Key Laboratory of Machine Intelligence and Advanced Computing, Ministry of Education(教育部机器智能与先进计算重点实验室);University of Edinburgh(爱丁堡大学);Peng Cheng Laboratory(鹏城实验室)
我们解决了弱监督的视频精彩片段检测问题,学习检测段,更有吸引力的训练视频给定他们的视频事件标签,但没有昂贵的监督手动注释精彩片段。虽然手动避免局部化高光片段,但弱监督建模具有挑战性,因为我们日常生活中的视频可能包含具有多种事件类型的高光片段,例如,滑雪和冲浪在这项工作中,我们提出了铸造弱监督视频亮点检测建模为一个给定的特定事件作为一个多实例排名网络(MINI-Net)学习。我们认为每个视频作为一个袋子的段,因此,建议MINI-Net学习执行一个更高的亮点分数的积极袋,包含一个特定的事件的亮点段比那些负袋是不相关的。特别是,我们形成了一个最大-最大排名损失,以获得最有可能的积极段实例和最难的消极段实例之间的可靠的相对比较。通过这种最大-最大排名损失,我们的MINI-Net有效地利用所有片段信息来获取更独特的视频特征表示,以定位视频中特定事件的精彩片段。在三个具有挑战性的公共基准上的广泛实验结果清楚地验证了我们的多实例排名方法解决问题的有效性。
2020-08-13 cs.CV cs.LG eess.IV
Adversarial Sleeping Bandit Problems with Multiple Plays: Algorithm and Ranking Application
Expedia Group(亿客行集团)
本文提出一种高效算法解决在线推荐系统中的多次选择睡眠老虎机问题,扩展了单臂选择算法,在对抗性损失和未知臂可用性下实现了$\bigO(kN^2\sqrt{T\log T})$的遗憾上界。
2023-07-27 cs.AI cs.LG
Quantifying Ranking Instability Across Evaluation Protocol Axes in Gene Regulatory Network Benchmarking
Department of Computer Science University of Tübingen(计算机科学系图宾根大学)
本研究提出了一种系统诊断框架,用于量化基因调控网络基准测试中评估协议轴上的排名不稳定性,并揭示了方法相对区分能力变化对反转率的影响。
2026-03-03 cs.LG q-bio.MN
Bipartite Ranking From Multiple Labels: On Loss Versus Label Aggregation
Google Research(谷歌研究)
本文研究多二值标签下的二分排序,形式化比较损失聚合与标签聚合的贝叶斯最优解,证明前者可能导致标签独裁,并通过实验支持标签聚合更可取。
2025-06-09 cs.AI cs.IR cs.LG
Ranking-and-Selection with Multiple Correct Answers and Non-Answerable Estimates
Dept. of Industrial Engineering and Decision Analytics, The Hong Kong University of Science and Technology(香港科技大学工业工程与决策分析系)
针对答案可能不唯一且噪声估计可能暂时无有效答案的结构化排序与选择问题,提出基于答案接受集、受限广义似然比停止和答案陷阱分解的统一框架,并设计ENDS算法,通过数值实验验证其有效性。
2026-06-23 cs.LG stat.ML
Ranking Across Different Content Types: The Robust Beauty of Multinomial Blending
Amazon Music(亚马逊音乐);Albatross AI(信天翁人工智能)
针对跨内容类型排序的传统LTR算法适配难题,提出可结合多数现有LTR算法的multinomial blending方法,经多维度对比及Amazon Music的A/B测试验证其应用价值。
2024-08-17 cs.AI cs.IR cs.LG
Inferring object rankings based on noisy pairwise comparisons from multiple annotators
对一组对象进行排序涉及建立允许在该组中的任何一对对象之间进行比较的顺序。通常情况下,由于排名顺序的基础事实不可用,研究人员求助于从多个注释者获得判断,然后基于人群的集体知识推断基础事实。然而,聚合通常是特设的,并且涉及在推断基本事实(例如,多数票)时强加严格的假设。在这项工作中,我们提出了基于期望最大化(EM)的算法,该算法依赖于多个注释者和对象属性的判断来推断潜在的地面真相。该算法学习潜在的地面实况和对象属性之间的关系,以及注释器特定的翻转概率,这是评估注释器质量的一个指标。我们进一步扩展了期望最大化算法,以允许基于手头的对象对的可变翻转概率。我们测试我们的算法在两个数据集与合成注释和研究的影响,注释质量和数量的推断地面真相。我们还获得了其他两个数据集上的结果,并根据数据特征解释了输出趋势。
2016-12-13 cs.LG stat.ML
Rank the triplets: A ranking-based multiple instance learning framework for detecting HPV infection in head and neck cancers using routine H&E images
University of Warwick(华威大学);University of Sheffield(谢菲尔德大学);The Alan Turing Institute(艾伦·图灵研究所)
头颈部鳞状细胞癌(HNSCC)的病因涉及多种致癌物,如酒精、烟草和人乳头瘤病毒(HPV)感染。由于HPV感染影响HNSCC患者的预后,治疗和生存,因此确定这些肿瘤的HPV状态非常重要。在本文中,我们提出了一种新的三重排序损失函数和多实例学习管道的HPV状态预测。这在HPV检测中实现了新的最先进的性能,仅使用两个HNSCC队列的常规H&E染色的WSI。此外,还进行了全面的肿瘤微环境分析,从基因组学、免疫学和细胞学角度描述了HPV+/- HNSCC之间的独特模式。确定了拟定评分与不同T细胞亚型(例如T细胞滤泡辅助细胞、CD 8 + T细胞)的正相关性以及与巨噬细胞和结缔细胞(例如成纤维细胞)的负相关性,这与临床结果一致。独特的基因表达谱也确定了HPV感染状态,并与现有的研究结果。
2022-06-16 cs.CV cs.LG
Subset Selection Based On Multiple Rankings in the Presence of Bias: Effectiveness of Fairness Constraints for Multiwinner Voting Score Functions
TU Berlin(柏林工业大学);Yale University(耶鲁大学);Nanjing University(南京大学)
本文研究存在偏差的多排名子集选择问题,证明群体公平性约束可提升选择质量,发现不同多胜者得分函数对排名数量的依赖存在指数与多项式级差异,提出子模函数平滑度概念,可为得分函数选择提供指导和实证工具。
2023-06-16 cs.AI cs.CY cs.DS
Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility
Tsinghua University(清华大学);Weill Cornell Medicine(威尔康奈尔医学院)
二分排序,其目的是学习一个评分函数,排名积极的个人高于消极的标记数据,被广泛采用在各种应用中,需要样本优先级。最近,人们越来越关注学习的评分函数是否会导致由敏感属性定义的不同保护组之间的系统差异。虽然公平性和性能之间可能存在权衡,但在本文中,我们提出了一个与模型无关的后处理框架,用于在二分排名场景中平衡它们。具体来说,我们通过直接调整各组样本的相对排序来最大化效用和公平性的加权和。通过制定这个问题的最佳翘曲路径在不同的保护组的识别,我们提出了一个非参数的方法来搜索这样的最佳路径,通过一个动态规划过程。我们的方法是兼容的各种分类模型,并适用于各种排名公平性指标。一套基准数据集和两个真实世界的病人电子健康记录库的综合实验表明,我们的方法可以实现算法的效用和排名的公平性之间的很大的平衡。此外,我们实验验证了我们的方法的鲁棒性,当面对较少的训练样本和训练和测试之间的排名分数分布的差异。
2021-06-07 cs.LG stat.ML
Quantifying Ranking Uncertainty in LLM Benchmarks
研究量化语言模型基准测试中排名不确定性问题,通过汇总成对假设检验来实现,分析了知识评估基准MMLU的不确定性来源并展示如何修改假设检验,指出MMLU各主题排名变异性大,比较模型时应考虑。
2026-07-21 cs.CL cs.LG stat.ML
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
Soft Condorcet Optimization for Ranking of General Agents
Google DeepMind(谷歌DeepMind);Google DeepMind, University of Waterloo(谷歌深Mind、多伦多大学);Mila, University of Montreal(Mila、蒙特利尔大学);Google DeepMind, LSE(谷歌深Mind、伦敦政治经济学院);Meta$^1$(Meta)
本文提出受社会选择框架启发的软孔多塞优化(SCO)排名方案,通过最大似然估计计算智能体最优排名,在缺失数据及实际游戏场景中均优于Elo等基线方法。
2025-06-27 cs.LG cs.MA
Multi-objective Ranking via Constrained Optimization
Amazon(亚马逊);University of Washington(华盛顿大学)
在本文中,我们介绍了一个增广拉格朗日为基础的方法,将多个目标(MO)的搜索排名算法。优化生产任务是建立生产排序模型的基本要求和现实要求。所提出的方法制定MO约束优化和解决问题的流行的Boosting框架-我们的工作的一个新的贡献。此外,我们提出了一个程序来设置所有的优化参数的问题。实验结果表明,该方法成功地实现了MO标准比现有的方法更有效。
2020-02-13 cs.IR 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
Adaptive Doubly Robust Off-Policy Evaluation for Ranking Policies under Diverse User Behavior
Institute of Science Tokyo(东京科学大学)
针对多样化用户行为下排序策略的离线评估挑战,提出自适应双重鲁棒(ADR)方法,结合自适应重要加权与奖励回归,在合成实验中降低了均方误差。
2026-09-01 cs.IR cs.LG
Scaling up Ranking under Constraints for Live Recommendations by Replacing Optimization with Prediction
Columbia University(哥伦比亚大学);Stanford University(斯坦福大学)
许多重要的多目标决策问题都可以在约束排序的框架下进行求解,并通过加权二部匹配线性规划来解决。这些优化问题中的一些,例如个性化内容推荐,可能需要实时的解决,因此必须遵守严格的时间要求,以防止消费者感知到延迟。经典的线性规划对于这样的设置计算效率太低。我们提出了一种新的方法来扩大排名的约束条件下,取代加权二分匹配优化与预测问题的算法部署阶段。我们的经验表明,建议的近似解决方案的排名问题,导致所需的计算资源大幅减少,而没有太多的牺牲,在约束合规性和实现的效用,使我们能够解决更大的约束排名问题实时,在所需的50毫秒内,比以前报道的。
2022-02-14 cs.IR cs.LG
3D ResNet with Ranking Loss Function for Abnormal Activity Detection in Videos
Gwangju Institute of Science and Technology(光州科学技术院)
异常活动检测是计算机视觉领域中最具挑战性的任务之一。这项研究的动机是最近的最先进的异常活动检测工作,它利用异常和正常的视频学习异常的帮助下,多实例学习,通过提供视频级信息的数据。在没有时间注释的情况下,这样的模型在检测异常时容易给出错误警报。出于这个原因,在本文中,我们专注于在执行异常活动检测任务的同时最大限度地减少误报率的任务。这些假警报的缓解和视频动作识别任务中3D深度神经网络的最新进展共同激励我们在我们提出的方法中利用3D ResNet,这有助于从视频中提取时空特征。然后,使用这些特征和深度多实例学习以及提出的排名损失,我们的模型学习预测视频片段级别的异常分数。因此,与其他最先进的方法相比,我们提出的方法3D深度多实例学习与ResNet(MILR)以及新提出的排名损失函数在UCF-Crime基准数据集上实现了最佳性能。在UCF-Crime数据集上证明了该方法的有效性。
2020-02-04 cs.CV cs.LG eess.IV
What Does Softmax Probability Tell Us about Classifiers Ranking Across Diverse Test Conditions?
Australian National University(澳大利亚国立大学);Curtin University(科廷大学);University of Óbuda(奥布达大学)
针对无标签 OOD 数据上的分类器性能排序问题,提出基于 Softmax 输出类别相关矩阵与理想参考矩阵余弦相似度的 SoftmaxCorr 指标,并在多个数据集验证其 ID/OOD 预测有效性。
2024-06-14 cs.CV cs.LG
Do Post-Training Algorithms Actually Differ? A Controlled Study Across Model Scales Uncovers Scale-Dependent Ranking Inversions
本文通过跨模型规模的受控研究,揭示了训练后算法在不同规模下的稳定性差异、损失函数修改的微小收益以及算法利用的任务依赖性,为算法选择提供了指导。
2026-03-19 cs.AI cs.LG
CoRA-NAS: Coarse Ranking and Anchor-Residual Refinement for Neural Architecture Search
University of New South Wales(新南威尔士大学);Korea Advanced Institute of Science and Technology(韩国科学技术院)
CoRA-NAS 提出两阶段框架,结合静态排序先验与低成本学习曲线细化,实现跨空间鲁棒且低成本的架构选择,在多个基准上取得高排序相关性。
2026-09-11 cs.CV cs.LG
Geometry-Aware Active Learning of Pattern Rankings via Choquet-Based Aggregation
IMT Atlantique, LS2N, UMR CNRS 6004, F-44307 Nantes France(IMT Atlantique)
本文提出一种结合Choquet积分非线性聚合与版本空间几何感知查询选择的交互式学习框架,通过分支定界策略高效定位决策边界附近的比较查询,在UCI数据集上以更少用户交互超越ChoquetRank等现有方法。
2025-07-16 cs.HC cs.LG
A Pre-processing Method for Fairness in Ranking
Fujitsu Ltd.(富士通有限公司)
公平排名问题出现在许多决策过程中,往往需要在准确性和公平性之间进行权衡。许多现有的研究已经提出了修正方法,如增加公平性约束的排名模型的损失。然而,纠正数据偏差以实现公平排名的挑战仍然存在,排名模型的权衡也留下了改进的空间。在本文中,我们提出了一个公平的排名框架,评估顺序的训练数据成对的方式,以及各种公平性的测量排名。这项研究是第一个建议的预处理方法,解决公平的排名问题,使用成对排序方法与我们最好的知识。公平成对排序方法在训练公平排名模型中很突出,因为它确保了结果排名可能在组之间变得均等。只要排序中的公平性度量表示为排序模型的线性约束,我们证明了受约束的损失函数的最小化问题可归结为由训练数据的权值增加的最小化问题的封闭解。这个封闭的解决方案启发我们提出一个实用和稳定的算法,迭代优化的权重和模型参数。在真实世界数据集上的实证结果表明,我们的方法优于现有的方法在真实世界数据集和各种公平性测量的准确性和公平性之间的权衡。
2022-04-25 cs.DS cs.LG
Are Near-Tied LLM Rankings Robust to Family-DIF-Guided Benchmark Recomposition?
ETH Zurich(苏黎世联邦理工学院)
该研究测试近绑定LLM排名对Family-DIF引导的基准重组的鲁棒性,发现多数基准中近绑定跨家族模型的顺序易受基准组成影响,仅第五个基准无此现象,需验证低差距排名的鲁棒性。
2026-10-09 cs.CL cs.LG
Semi-supervised Ranking Pursuit
The Netherlands Organization for Applied Scientific Research(荷兰应用科学研究组织);Radboud University Nijmegen(奈梅亨拉德堡德大学)
我们提出了一种新的稀疏偏好学习/排序算法。我们的算法近似的真实效用函数的加权和的基函数使用的平方损失对数据点,是一个推广的核匹配追踪方法。它可以在监督和半监督设置中运行,并允许有效搜索多个接近最优的解决方案。此外,我们描述了该算法的扩展,适用于组合排名和回归任务。在我们的实验中,我们证明了所提出的算法在考虑未标记数据时优于几种最先进的学习方法,并在监督学习场景中执行重复,同时提供更稀疏的解决方案。
2013-07-02 cs.IR cs.LG stat.ML
The Scaling Law of Evaluation Failure: Why Simple Averaging Collapses Under Data Sparsity and Item Difficulty Gaps, and How Item Response Theory Recovers Ground Truth Across Domains
Independent Researcher(独立研究员)
本文研究了简单平均在数据稀疏性和项目难度差异下导致评估排名失真问题,通过模拟实验展示了项目响应理论(IRT)在不同领域中保持高排名相关性的能力。
2026-05-11 cs.AI cs.LG
Deep Multi-view Learning to Rank
我们研究的问题,学习排序从多个信息源。尽管多视图学习和学习排序已被广泛研究,并得到了广泛的应用,但多视图学习排序作为这两个主题的协同作用却很少受到关注。本文的目的是提出一种复合排名方法,同时保持密切相关的个人排名。我们提出了一个通用的框架,多视点子空间学习排序(MvSL 2R),并介绍了两个新的解决方案下的框架。第一种解决方案使用类似自动编码器的网络从每个视图内以及跨视图捕获特征映射的信息。新的特征嵌入方法制定在多视图无监督和判别式自动编码器的优化。此外,我们引入了一个端到端的解决方案来学习联合排名目标和个人排名。该方案以最小的视图特定的排序损失增强了联合排序,从而可以在单个优化过程中实现最大的全局视图协议。所提出的方法进行了评估三个不同的排名问题,即大学排名,多视图语言文本排名和图像数据排名,提供优越的结果相比,相关的方法。
2019-09-23 cs.LG stat.ML
Learning Multimodal Rewards from Rankings
Stanford University(斯坦福大学)
从人类反馈中学习已被证明是获取机器人奖励函数的有用方法。然而,专家反馈往往被认为是从一个潜在的单峰奖励函数。这个假设并不总是成立,包括在多个专家提供数据或单个专家为不同任务提供数据的情况下-因此,我们超越了学习单峰奖励,并专注于学习多模态奖励函数。我们制定的多模态奖励学习作为一个混合学习问题,并开发了一种新的基于排名的学习方法,专家只需要排名一组给定的轨迹。此外,由于在机器人技术中访问交互数据通常是昂贵的,我们开发了一种主动查询方法来加速学习过程。我们使用OpenAI的LunarLander的多任务变体和真正的Fetch机器人进行实验和用户研究,在那里我们从具有不同偏好的多个用户那里收集数据。结果表明,我们的方法可以有效地学习多模态奖励函数,并提高数据效率的基准方法,我们适应我们的学习问题。
2021-10-18 cs.AI cs.LG cs.RO
Extended Missing Data Imputation via GANs for Ranking Applications
Cornell University(康奈尔大学);Amazon(亚马逊)
我们提出了条件填补GAN,一种基于生成对抗网络(GANs)的扩展缺失数据填补方法。激励用例是学习排名,现代搜索,推荐系统和信息检索应用程序的基石。经验排序数据集并不总是遵循标准高斯分布或完全随机缺失(MCAR)机制,这是经典缺失数据插补方法的标准假设。我们的方法提供了一个简单的解决方案,提供兼容的插补保证,同时放松假设缺失的机制和回避近似棘手的分布,以提高插补质量。我们证明了最佳的GAN填补实现扩展随机缺失(EMAR)和扩展总是随机缺失(EAMAR)机制,超越了天真的MCAR。我们的方法在开源Microsoft Research Ranking(MSR)数据集和合成排名数据集上展示了最高的插补质量,与最先进的基准和各种特征分布相比。使用专有的Amazon Search排名数据集,我们还展示了与地面实况数据相比,在GAN估算数据上训练的排名模型的可比排名质量指标。
2021-11-10 cs.LG stat.AP stat.ML
Precision Anti-Cancer Drug Selection via Neural Ranking
The Ohio State University(俄亥俄州立大学)
针对抗癌药物选择问题,提出将药物优先排序表述为列表排序问题,开发了 List-One 和 List-All 两种神经列表排序方法,其中 List-All 在 50% 测试细胞系中 hit@20 提升达 8.6%。
2023-06-30 cs.IR cs.LG q-bio.QM
Fairness in Ranking: Robustness through Randomization without the Protected Attribute
University of Padova(帕多瓦大学);National Technical University of Athens(雅典国家技术大学);Athena Research & Innovation Center in Information Communication & Knowledge Technologies(雅典娜信息通信与知识技术研究创新中心);Czech Technical University in Prague(捷克技术大学)
针对排序公平性研究中受保护属性缺失、单一公平指标优化易导致其他指标不公平的问题,提出无需受保护属性的随机化排序后处理方法,经数值研究验证其在P-Fairness上的鲁棒性及NDCG上的有效性,优于现有方法。
2024-03-28 cs.AI cs.CY cs.LG
Ranking Policy Learning via Marketplace Expected Value Estimation From Observational Data
eBay Search Ranking and Monetization(eBay搜索排名与商业化部门)
本研究提出一个决策框架,将双边电商市场的排序策略学习转化为基于观测数据的期望奖励优化问题,引入上下文价值分布并构建考虑异质性与分布偏移的实证估计,通过贝叶斯推理训练策略,在电商搜索任务中验证了相关权衡关系。
2024-10-06 cs.AI cs.IR cs.LG
Fair Ranking with Noisy Protected Attributes
Yale University(耶鲁大学)
公平排序问题,要求排序一组给定的项目,以最大限度地提高效用受组公平性约束,已受到关注的公平性,信息检索,和机器学习文献。然而,最近的作品,观察到社会显着(包括受保护)的项目属性的错误可以显着破坏现有的公平排名算法的公平性保证,并提出减轻这种错误的影响的问题。我们研究了一个模型下的公平排名问题,其中项目的社会显着属性是随机和独立扰动。我们提出了一个公平的排名框架,它结合了群体公平性的要求,以及社会显着的属性扰动的概率信息。我们提供可证明的保证,我们的框架实现的公平性和效用,并表明这是信息理论上不可能显着击败这些保证。我们的框架适用于多个非不相交的属性和一般类的公平性约束,包括比例和平等的代表性。从经验上讲,我们观察到,与基线相比,我们的算法输出具有更高公平性的排名,并且与基线相比具有类似或更好的公平性-效用权衡。
2022-11-30 cs.CY cs.DS cs.IR