論文の概要: Weight Set Decomposition for Weighted Rank Aggregation: An interpretable
and visual decision support tool
- arxiv url: http://arxiv.org/abs/2206.00001v1
- Date: Tue, 31 May 2022 19:09:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-02 15:57:35.999786
- Title: Weight Set Decomposition for Weighted Rank Aggregation: An interpretable
and visual decision support tool
- Title（参考訳）: 重み付けランクアグリゲーションのための重み付け分解 : 解釈可能で視覚的な意思決定支援ツール
- Authors: Tyler Perini, Amy Langville, Glenn Kramer, Jeff Shrager, Mark Shapiro
- Abstract要約: 本稿では、その構造上、重み付けされた階数集計問題に利用できる富について述べる。
重み集合分解を, 分解に有用な凸特性の集合に適用し, 差分領域を可視化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The problem of interpreting or aggregating multiple rankings is common to
many real-world applications. Perhaps the simplest and most common approach is
a weighted rank aggregation, wherein a (convex) weight is applied to each input
ranking and then ordered. This paper describes a new tool for visualizing and
displaying ranking information for the weighted rank aggregation method.
Traditionally, the aim of rank aggregation is to summarize the information from
the input rankings and provide one final ranking that hopefully represents a
more accurate or truthful result than any one input ranking. While such an
aggregated ranking is, and clearly has been, useful to many applications, it
also obscures information. In this paper, we show the wealth of information
that is available for the weighted rank aggregation problem due to its
structure. We apply weight set decomposition to the set of convex multipliers,
study the properties useful for understanding this decomposition, and visualize
the indifference regions. This methodology reveals information--that is
otherwise collapsed by the aggregated ranking--into a useful, interpretable,
and intuitive decision support tool. Included are multiple illustrative
examples, along with heuristic and exact algorithms for computing the weight
set decomposition.
- Abstract（参考訳）: 複数のランキングを解釈または集約する問題は、多くの現実世界のアプリケーションに共通している。
おそらく最も単純かつ最も一般的なアプローチは重み付きランクアグリゲーションであり、そこでは(凸)重みが各入力のランク付けに適用される。
本稿では,重み付け階数集計法におけるランキング情報の可視化と表示を行う新しいツールについて述べる。
伝統的に、ランクアグリゲーションの目的は、入力ランキングからの情報を要約し、任意の入力ランキングよりも正確で真実的な結果を示す1つの最終ランキングを提供することである。
このような集約されたランキングは、多くのアプリケーションにとって有益であるが、情報も曖昧である。
本稿では,重み付けランクアグリゲーション問題に対して,その構造上利用可能な情報の豊富さを示す。
重み集合分解を凸乗数の集合に適用し、この分解を理解するのに有用な性質を研究し、非微分領域を可視化する。
この手法は、集計されたランキングによって破壊される情報、すなわち有用で解釈可能で直感的な意思決定支援ツールを明らかにする。
重み集合分解を計算するためのヒューリスティックで厳密なアルゴリズムとともに、複数の例を含む。
関連論文リスト
- AGRaME: Any-Granularity Ranking with Multi-Vector Embeddings [53.78802457488845]
我々は,多ベクトル埋め込みを利用して粒度の異なるレベルにランク付けする,任意の粒度ランキングの考え方を紹介した。
検索強化世代におけるポストホック励振付加への命題レベルのランク付けの適用を実証する。
論文 参考訳（メタデータ） (2024-05-23T20:04:54Z) - Improved theoretical guarantee for rank aggregation via spectral method [1.0152838128195467]
複数の項目間のペアワイズ比較を与えられた場合、ランキングが観測値と一致するようにランク付けする方法?
ランクアグリゲーションとして知られるこの問題は、スポーツ、レコメンデーションシステム、その他のウェブアプリケーションに多くの応用を見出している。
ここで、各ペア比較は真のスコア差の破損したコピーである。
論文 参考訳（メタデータ） (2023-09-07T16:01:47Z) - 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 Representations without Compositional Assumptions [79.12273403390311]
本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。
また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
論文 参考訳（メタデータ） (2023-05-31T10:36:10Z) - 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) - 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) - Towards Improved and Interpretable Deep Metric Learning via Attentive
Grouping [103.71992720794421]
グループ化は、様々な特徴の計算にディープ・メトリック・ラーニングでよく用いられてきた。
本稿では,任意のメトリクス学習フレームワークと柔軟に統合可能な,改良された解釈可能なグループ化手法を提案する。
論文 参考訳（メタデータ） (2020-11-17T19:08:24Z) - Spectral Methods for Ranking with Scarce Data [16.023774341912386]
ランクアグリゲーションのための人気がありよく研究されている方法であるランクセントラリティを、少数の比較を考慮に入れた修正を行った。
我々は,最先端の手法を実践的に上回る特徴情報を取り入れた。
論文 参考訳（メタデータ） (2020-07-02T19:17:35Z) - How Reliable are University Rankings? [0.7646713951724009]
公立大学データセットを用いて,このランキング方式を新たに検討する。
我々は,このランキング方式が信頼性に欠け,権威として信頼できないことを,複数の方法で示している。
我々は、ランキングに使用されるすべてのデータとメソッドを、検証と再現性のためにオープンにすべきだと結論付けている。
論文 参考訳（メタデータ） (2020-04-20T01:00:59Z) - 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) - Rough Set based Aggregate Rank Measure & its Application to Supervised
Multi Document Summarization [0.0]
本論文は、ランク尺度と呼ばれる新しいラフセットベースのメンバーシップを提案する。
要素を特定のクラスにランク付けするために使用する。
その結果,精度は有意に向上した。
論文 参考訳（メタデータ） (2020-02-09T01:03:25Z)
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。