論文の概要: Heuristic Search for Rank Aggregation with Application to Label Ranking

• arxiv url: http://arxiv.org/abs/2201.03893v1
• Date: Tue, 11 Jan 2022 11:43:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-01 13:05:14.008620
• Title: Heuristic Search for Rank Aggregation with Application to Label Ranking
• Title（参考訳）: ランクアグリゲーションのヒューリスティック検索とラベルランキングへの応用
• Authors: Yangming Zhou and Jin-Kao Hao and Zhen Li and Fred Glover
• Abstract要約: 本稿では,階層化問題を解くために,効果的なハイブリッド進化的ランキングアルゴリズムを提案する。 このアルゴリズムは、コンコーダントペアに基づくセマンティッククロスオーバーと、効率的な漸進的評価手法によって強化された遅延受容局所探索を特徴とする。 アルゴリズムを評価するために実験が行われ、ベンチマークインスタンス上での高い競争性能を示す。
• 参考スコア（独自算出の注目度）: 16.275063634853584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rank aggregation aims to combine the preference rankings of a number of alternatives from different voters into a single consensus ranking. As a useful model for a variety of practical applications, however, it is a computationally challenging problem. In this paper, we propose an effective hybrid evolutionary ranking algorithm to solve the rank aggregation problem with both complete and partial rankings. The algorithm features a semantic crossover based on concordant pairs and a late acceptance local search reinforced by an efficient incremental evaluation technique. Experiments are conducted to assess the algorithm, indicating a highly competitive performance on benchmark instances compared with state-of-the-art algorithms. To demonstrate its practical usefulness, the algorithm is applied to label ranking, which is an important machine learning task.
• Abstract（参考訳）: ランクアグリゲーションは、異なる有権者の選択肢の選好ランキングを単一のコンセンサスランキングに統合することを目的としている。 しかし、様々な実用的応用のための有用なモデルとして、計算的に難しい問題である。 本稿では,完全ランキングと部分ランキングの両方を用いて,ランクアグリゲーション問題を解くための効果的なハイブリッド進化的ランキングアルゴリズムを提案する。 このアルゴリズムは、コンコーダントペアに基づくセマンティッククロスオーバーと、効率的な漸進的評価手法によって強化された遅延受容局所探索を特徴とする。 アルゴリズムを評価するために実験を行い、最先端のアルゴリズムと比較してベンチマークインスタンスで高い競合性を示す。 その実用性を示すために、このアルゴリズムは重要な機械学習タスクであるラベルランキングに適用される。

関連論文リスト

• A Novel Ranking Scheme for the Performance Analysis of Stochastic Optimization Algorithms using the Principles of Severity [9.310464457958844]
  複数の単目的最適化問題に対してアルゴリズムをランク付けする新しいランキング方式を提案する。 アルゴリズムの結果は、ロバストなブートストラップに基づく仮説テスト手法を用いて比較される。
  論文  参考訳（メタデータ） (2024-05-31T19:35:34Z)
• 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)
• HARRIS: Hybrid Ranking and Regression Forests for Algorithm Selection [75.84584400866254]
  両アプローチの強みを両アプローチの弱さを緩和しつつ組み合わせ, 特殊林を利用した新しいアルゴリズムセレクタを提案する。 HARRISの決定は、ハイブリッドランキングと回帰損失関数に基づいて最適化された木を作成する森林モデルに基づいている。
  論文  参考訳（メタデータ） (2022-10-31T14:06:11Z)
• Rank-based Non-dominated Sorting [0.0]
  我々は、高額な支配比較を避けるために、ソート安定性と順序情報を利用した非支配的なソート手法であるランクソートを導入する。 2つのアルゴリズム的変種が提案されている: 1つはRandOrdinal (RO) で、支配性を決定するために順序付き階数比較(英語版)(ordinal rank comparisons)を用いており、O(N) 空間を必要とする。 NSGA2アルゴリズムと合成ベンチマークを用いた実験シミュレーションにおいて,提案手法の有効性を他の手法と比較した。
  論文  参考訳（メタデータ） (2022-03-25T13:59:42Z)
• Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise Comparisons [85.5955376526419]
  ランキングアグリゲーション問題では、各項目を比較する際に、様々な精度レベルが示される。 本稿では,ノイズのあるペアワイズ比較によってアイテムのランクを推定する,除去に基づくアクティブサンプリング戦略を提案する。 提案アルゴリズムは,商品の真のランキングを高い確率で返却できることを示す。
  論文  参考訳（メタデータ） (2021-10-08T13:51:55Z)
• PiRank: Learning To Rank via Differentiable Sorting [85.28916333414145]
  ランク付けのための新しい分類可能なサロゲートであるPiRankを提案する。 ピランクは所望の指標をゼロ温度の限界で正確に回収する。
  論文  参考訳（メタデータ） (2020-12-12T05:07:36Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
  我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。 我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-29T09:40:58Z)
• Improving Label Ranking Ensembles using Boosting Techniques [13.782477759025348]
  ブースティングはよく知られた信頼性の高いアンサンブル技術であり、他の学習アルゴリズムよりも優れていることがしばしば示された。 本稿では,ラベルランキングタスクに特化して設計されたブースティングアルゴリズムを提案する。 24の半合成および実世界のラベルランキングデータセットに対する提案アルゴリズムの広範な評価は、既存の最先端ラベルランキングアルゴリズムを著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2020-01-21T19:16:11Z)
• TopRank+: A Refinement of TopRank Algorithm [0.0]
  トポロジカルソートに基づく新しいオンライン学習アルゴリズムが提案された。 本研究では、ある暗黙関数の混合と拡張の手法を用いて、不等式に対してより厳密で反復的なログのような境界を与える。
  論文  参考訳（メタデータ） (2020-01-21T15:44:44Z)

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。