論文の概要: Recent Advances in the Foundations and Applications of Unbiased Learning
to Rank
- arxiv url: http://arxiv.org/abs/2305.02914v1
- Date: Thu, 4 May 2023 15:19:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-05 15:07:07.538946
- Title: Recent Advances in the Foundations and Applications of Unbiased Learning
to Rank
- Title(参考訳): 階層化への偏りのない学習の基礎と応用の最近の進歩
- Authors: Shashank Gupta, Philipp Hager, Jin Huang, Ali Vardasbi, and Harrie
Oosterhuis
- Abstract要約: このチュートリアルでは、非バイアス学習の分野における中核的な概念について紹介する。
また,最近の基礎の進歩と,その手法の応用について概説する。
- 参考スコア(独自算出の注目度): 15.245383466700774
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Since its inception, the field of unbiased learning to rank (ULTR) has
remained very active and has seen several impactful advancements in recent
years. This tutorial provides both an introduction to the core concepts of the
field and an overview of recent advancements in its foundations along with
several applications of its methods. The tutorial is divided into four parts:
Firstly, we give an overview of the different forms of bias that can be
addressed with ULTR methods. Secondly, we present a comprehensive discussion of
the latest estimation techniques in the ULTR field. Thirdly, we survey
published results of ULTR in real-world applications. Fourthly, we discuss the
connection between ULTR and fairness in ranking. We end by briefly reflecting
on the future of ULTR research and its applications. This tutorial is intended
to benefit both researchers and industry practitioners who are interested in
developing new ULTR solutions or utilizing them in real-world applications.
- Abstract(参考訳): 創設以来、unbiased learning to rank (ultr) の分野は非常に活発であり、近年はいくつかの大きな進歩が見られる。
このチュートリアルでは、フィールドの中核概念の紹介と、その手法のいくつかの応用とともに、その基礎における最近の進歩の概要を提供する。
チュートリアルは4つの部分に分けられる: まず、ULTRメソッドで対処できる様々な形式のバイアスについて概観する。
次に、ULTR分野における最新の推定手法について包括的な議論を行う。
第3に,実世界のアプリケーションにおけるULTRの結果について調査した。
第4に、ランキングにおけるULTRと公正性との関係について論じる。
我々は、ULTR研究の将来とその応用について簡単に考察する。
このチュートリアルは、新しいULTRソリューションの開発に興味がある研究者と業界の実践者の両方に利益をもたらすことを意図している。
関連論文リスト
- Understanding the Effects of the Baidu-ULTR Logging Policy on Two-Tower Models [2.0180882714261568]
本稿では,最大規模の実世界のデータセットであるBaidu-ULTRの共起問題を調べることによって,理論と実践のギャップを埋める。
主なコントリビューションは3つある: 1) Baidu-ULTR上で共起問題の条件が与えられること、2) 共起問題は2towerモデルに有意な影響を及ぼさないこと、3) エキスパートアノテーションとユーザクリック動作の潜在的なミスマッチを指摘する。
論文 参考訳(メタデータ) (2024-09-18T15:04:12Z) - A Survey on Deep Active Learning: Recent Advances and New Frontiers [27.07154361976248]
この研究は、ディープラーニングに基づくアクティブラーニング(DAL)の難しさを克服する上で、研究者にとって有用かつ迅速なガイドとなることを目的としている。
この手法は適用可能性の広さから人気が高まりつつあるが、特にディープラーニングに基づくアクティブラーニング(DAL)に関する調査論文は乏しいままである。
論文 参考訳(メタデータ) (2024-05-01T05:54:33Z) - Unbiased Learning to Rank Meets Reality: Lessons from Baidu's Large-Scale Search Dataset [48.708591046906896]
Unbiased Learning-to-rank(ULTR)は、ユーザクリックから学習するための確立したフレームワークである。
Baidu-ULTRデータセットで利用可能な実験を再検討し、拡張する。
標準的な非バイアスの学習 to ランク技術は、クリック予測を堅牢に改善するが、ランク付け性能を一貫して改善するのに苦労している。
論文 参考訳(メタデータ) (2024-04-03T08:00:46Z) - Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。
本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
論文 参考訳(メタデータ) (2024-01-29T18:27:52Z) - Federated Learning for Generalization, Robustness, Fairness: A Survey
and Benchmark [55.898771405172155]
フェデレートラーニングは、異なる当事者間のプライバシー保護コラボレーションのための有望なパラダイムとして登場した。
我々は,連合学習研究の重要かつ最近の展開を体系的に概観する。
論文 参考訳(メタデータ) (2023-11-12T06:32:30Z) - A Comprehensive Survey on Relation Extraction: Recent Advances and New Frontiers [76.51245425667845]
関係抽出(RE)は、基礎となるコンテンツからエンティティ間の関係を識別する。
ディープニューラルネットワークはREの分野を支配しており、顕著な進歩を遂げている。
この調査は、現実世界のREシステムの課題に対処するための研究者の協力的な取り組みを促進することが期待されている。
論文 参考訳(メタデータ) (2023-06-03T08:39:25Z) - A Large Scale Search Dataset for Unbiased Learning to Rank [51.97967284268577]
我々は、非バイアス学習のためのBaidu-ULTRデータセットをランク付けする。
ランダムに12億の検索セッションと7,008のエキスパートアノテートクエリをサンプリングする。
1)本来のセマンティックな特徴と,使用が容易な事前学習言語モデル,(2)位置,表示高さ,抽象表現などの十分な表示情報,(3)居住時間のような検索結果ページ(SERP)に対するリッチなユーザフィードバックを提供する。
論文 参考訳(メタデータ) (2022-07-07T02:37:25Z) - Image-text Retrieval: A Survey on Recent Research and Development [58.060687870247996]
クロスモーダル画像テキスト検索(ITR)は、優れた研究価値と幅広い実世界の応用により、研究コミュニティへの関心が高まっている。
本稿では,ITRのアプローチに関する4つの視点から,包括的かつ最新の調査を行う。
論文 参考訳(メタデータ) (2022-03-28T13:00:01Z)
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。