論文の概要: Distance-based Positive and Unlabeled Learning for Ranking
- arxiv url: http://arxiv.org/abs/2005.10700v3
- Date: Wed, 28 Sep 2022 16:24:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 05:24:35.927086
- Title: Distance-based Positive and Unlabeled Learning for Ranking
- Title（参考訳）: ランク付けのための距離ベース正・無ラベル学習
- Authors: Hayden S. Helm, Amitabh Basu, Avanti Athreya, Youngser Park, Joshua T.
Vogelstein, Carey E. Priebe, Michael Winding, Marta Zlatic, Albert Cardona,
Patrick Bourke, Jonathan Larson, Marah Abdin, Piali Choudhury, Weiwei Yang,
Christopher W. White
- Abstract要約: 階級の学習は一般的な関心の問題である。
整数線形プログラムを用いた表現の組み合わせによるランク付け学習は,「興味のある項目に類似する項目は少ない」ほど軽快な場合には有効であることを示す。
- 参考スコア（独自算出の注目度）: 13.339237388350043
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning to rank -- producing a ranked list of items specific to a query and
with respect to a set of supervisory items -- is a problem of general interest.
The setting we consider is one in which no analytic description of what
constitutes a good ranking is available. Instead, we have a collection of
representations and supervisory information consisting of a (target item,
interesting items set) pair. We demonstrate analytically, in simulation, and in
real data examples that learning to rank via combining representations using an
integer linear program is effective when the supervision is as light as "these
few items are similar to your item of interest." While this nomination task is
quite general, for specificity we present our methodology from the perspective
of vertex nomination in graphs. The methodology described herein is model
agnostic.
- Abstract（参考訳）: ランク付けを学ぶこと -- クエリに特有の項目のランクリストを作成すること、および一連の監督項目に関して -- は、一般的な関心事である。
我々が考える設定は、良いランキングを構成するものについて分析的な説明ができないものである。
代わりに、表現の集合と(ターゲットアイテム、興味深いアイテムセット)ペアからなる監督情報があります。
我々は、シミュレーションや実データ例において、整数線形プログラムを用いた表現の組み合わせによるランク付けの学習は、監督が「興味のある項目に類似した数少ない項目」である場合に有効であることを示した。
この指名タスクは非常に一般的であるが、具体的にはグラフの頂点指名の観点から方法論を提示する。
ここで説明する方法論はモデル非依存である。
関連論文リスト
- Bipartite Ranking Fairness through a Model Agnostic Ordering Adjustment [54.179859639868646]
本稿では,二部類ランキングにおける公平性を実現するためのモデルに依存しない後処理フレームワークxOrderを提案する。
xOrderは、教師なしおよび教師なしの公正度メトリックを含む、さまざまな分類モデルとランキングフェアネスメトリクスと互換性がある。
提案アルゴリズムを,4つのベンチマークデータセットと2つの実世界の患者電子健康記録リポジトリ上で評価した。
論文 参考訳（メタデータ） (2023-07-27T07:42:44Z) - Learning List-Level Domain-Invariant Representations for Ranking [59.3544317373004]
リストレベルのアライメント -- より高いレベルのリストでドメイン不変表現を学習する。
利点は2つある: これは、ランク付けに縛られる最初のドメイン適応の一般化をもたらし、その結果、提案法に対する理論的支援を提供する。
論文 参考訳（メタデータ） (2022-12-21T04:49:55Z) - Ranking In Generalized Linear Bandits [38.567816347428774]
一般化線形帯域におけるランク問題について検討する。
レコメンデーションシステムでは、最も魅力的なアイテムの順序リストを表示することが必ずしも最適とは限らない。
論文 参考訳（メタデータ） (2022-06-30T21:38:00Z) - Resolving label uncertainty with implicit posterior models [71.62113762278963]
本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。
異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
論文 参考訳（メタデータ） (2022-02-28T18:09:44Z) - Active clustering for labeling training data [0.8029049649310211]
本稿では,人間専門家がペアワイズクエリに応答する比較的安価なタスクを実行するための,データ収集のトレーニング環境を提案する。
我々は、アイテムをクラスタリングし、その複雑さを分析するのに必要なクエリの平均数を最小化するアルゴリズムを解析する。
論文 参考訳（メタデータ） (2021-10-27T15:35:58Z) - Leveraging semantically similar queries for ranking via combining
representations [20.79800117378761]
データスカース設定では、特定のクエリで利用可能なラベル付きデータの量は、高度に可変で効率の悪いランキング関数につながる可能性がある。
少量のデータの影響を軽減する一つの方法は、セマンティックに類似したクエリからの情報を活用することである。
我々は,この現象をバイアス分散トレードオフの文脈で記述し,Bingナビゲーショングラフとショウジョウバエ幼虫コネクトームのデータスカース設定に適用する。
論文 参考訳（メタデータ） (2021-06-23T18:36:20Z) - Salient Object Ranking with Position-Preserved Attention [44.94722064885407]
本研究では,検出対象のランク付け順序を視覚的サリエンシに応じて割り当てるSOR(Salient Object Ranking)タスクについて検討する。
本稿では,SORタスクの最初のエンドツーエンドフレームワークを提案し,マルチタスク学習方式で解決する。
また、SORブランチ用に調整されたPPAモジュールも導入する。
論文 参考訳（メタデータ） (2021-06-09T13:00:05Z) - A Few-Shot Sequential Approach for Object Counting [63.82757025821265]
画像中のオブジェクトに逐次出席するクラスアテンション機構を導入し,それらの特徴を抽出する。
提案手法は点レベルのアノテーションに基づいて訓練され,モデルのクラス依存的・クラス依存的側面を乱す新しい損失関数を用いる。
本稿では,FSODやMS COCOなど,さまざまなオブジェクトカウント/検出データセットについて報告する。
論文 参考訳（メタデータ） (2020-07-03T18:23:39Z) - Overview of the TREC 2019 Fair Ranking Track [65.15263872493799]
TREC Fair Ranking トラックの目標は、異なるコンテンツプロバイダに対する公正性の観点から、検索システムを評価するベンチマークを開発することであった。
本稿では,タスク定義やデータ記述,アノテーションプロセスなどを含むトラックの概要について述べる。
論文 参考訳（メタデータ） (2020-03-25T21:34:58Z) - Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。
これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。
本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
論文 参考訳（メタデータ） (2020-03-02T13:59:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。