論文の概要: Integrating Listwise Ranking into Pairwise-based Image-Text Retrieval

• arxiv url: http://arxiv.org/abs/2305.16566v1
• Date: Fri, 26 May 2023 01:18:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-29 17:28:28.054328
• Title: Integrating Listwise Ranking into Pairwise-based Image-Text Retrieval
• Title（参考訳）: Pairwise-based Image-Text Retrievalへのリスワイズランキングの統合
• Authors: Zheng Li, Caili Guo, Xin Wang, Zerun Feng, Yanjun Wang
• Abstract要約: Image-Text Retrieval (ITR)は基本的にランキング問題である。 目的は、候補者の画像を、大きくて小さいものまで、関連性でランク付けすることである。 本稿では、リストワイズランキングを従来のペアワイズITRに統合する。
• 参考スコア（独自算出の注目度）: 16.352539772678718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image-Text Retrieval (ITR) is essentially a ranking problem. Given a query caption, the goal is to rank candidate images by relevance, from large to small. The current ITR datasets are constructed in a pairwise manner. Image-text pairs are annotated as positive or negative. Correspondingly, ITR models mainly use pairwise losses, such as triplet loss, to learn to rank. Pairwise-based ITR increases positive pair similarity while decreasing negative pair similarity indiscriminately. However, the relevance between dissimilar negative pairs is different. Pairwise annotations cannot reflect this difference in relevance. In the current datasets, pairwise annotations miss many correlations. There are many potential positive pairs among the pairs labeled as negative. Pairwise-based ITR can only rank positive samples before negative samples, but cannot rank negative samples by relevance. In this paper, we integrate listwise ranking into conventional pairwise-based ITR. Listwise ranking optimizes the entire ranking list based on relevance scores. Specifically, we first propose a Relevance Score Calculation (RSC) module to calculate the relevance score of the entire ranked list. Then we choose the ranking metric, Normalized Discounted Cumulative Gain (NDCG), as the optimization objective. We transform the non-differentiable NDCG into a differentiable listwise loss, named Smooth-NDCG (S-NDCG). Our listwise ranking approach can be plug-and-play integrated into current pairwise-based ITR models. Experiments on ITR benchmarks show that integrating listwise ranking can improve the performance of current ITR models and provide more user-friendly retrieval results. The code is available at https://github.com/AAA-Zheng/Listwise_ITR.
• Abstract（参考訳）: Image-Text Retrieval (ITR)は基本的にランキング問題である。 クェリキャプションが与えられたら、そのゴールは候補者の画像を、大きなものから小さなものへと、関連性でランク付けすることだ。 現在のITRデータセットは、ペア方式で構築されている。 画像テキストペアは肯定的または否定的に注釈される。 ITRモデルは、主に三重項損失のようなペアワイズ損失を使用してランク付けを学ぶ。 ペアワイズベースITRは負対類似性を無差別に減少させながら正対類似性を増大させる。 しかし、相異なる負の対の関連性は異なる。 ペアワイズアノテーションはこの関連性の違いを反映できない。 現在のデータセットでは、ペアワイズアノテーションは多くの相関を見逃している。 負のラベルが付けられたペアには、潜在的に正のペアが多数存在する。 ペアワイズベースのitrは、負のサンプルの前にのみ正のサンプルをランク付けできるが、関連性によって負のサンプルをランク付けすることはできない。 本稿では,リストワイズランキングを従来のペアワイズ型itrに統合する。 listwise rankingは、適合度スコアに基づいてランキング全体を最適化する。 具体的には、まず、ランクリスト全体の関連スコアを計算するための関連スコア計算(RSC)モジュールを提案する。 次に、最適化目的として、正規化ディスカウント累積ゲイン(ndcg)のランキングメトリックを選択する。 我々は、微分不可能なNDCGをSmooth-NDCG(S-NDCG)という、微分不能なリストワイドロスに変換する。 我々のリストワイズランキングアプローチは、現在のペアワイズベースITRモデルに統合できる。 ITRベンチマーク実験により、リストワイドランキングの統合により、現在のITRモデルの性能が向上し、よりユーザフレンドリな検索結果が得られることが示された。 コードはhttps://github.com/aaa-zheng/listwise_itrで入手できる。

関連論文リスト

• TSPRank: Bridging Pairwise and Listwise Methods with a Bilinear Travelling Salesman Model [19.7255072094322]
  トラベリングセールスマン問題ランキング (TSPRank) は、ハイブリッド・ペア・リストワイズ・ランキング法である。 TSPRankの堅牢性と、異なるドメインにわたる優れたパフォーマンスは、汎用的で効果的なLETORソリューションとしての可能性を強調している。
  論文  参考訳（メタデータ） (2024-11-18T21:10:14Z)
• LLM-RankFusion: Mitigating Intrinsic Inconsistency in LLM-based Ranking [17.96316956366718]
  大規模言語モデル(LLM)によるランク付けは、現代の情報検索(IR)システムにおいて有望な性能を達成することができる。 ソートに基づく手法では、パスを正しくソートするには一貫した比較が必要であり、LCMがしばしば違反することを示す。 LLMベースのランキングフレームワークであるLLM-RankFusionを提案する。
  論文  参考訳（メタデータ） (2024-05-31T23:29:42Z)
• Rank-DETR for High Quality Object Detection [52.82810762221516]
  高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。 本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
  論文  参考訳（メタデータ） (2023-10-13T04:48:32Z)
• 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 by Sorting: Self-supervised Learning with Group Ordering Constraints [75.89238437237445]
  本稿では,対照学習目標である群順序制約(GroCo)の新たなバリエーションを提案する。 正の対と負の対の距離をソートし、正の対が負の対よりも多くの距離を持つかに基づいてそれぞれの損失を計算するという考え方を利用しており、したがって正しく順序付けされていない。 各種自己教師付き学習ベンチマークの定式化について検討し、バニラのコントラスト学習と比較して結果が向上するだけでなく、k-NNの性能において、線形探索や性能向上において同等の手法と競合する性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-01-05T11:17:55Z)
• GNNRank: Learning Global Rankings from Pairwise Comparisons via Directed Graph Neural Networks [68.61934077627085]
  本稿では,グラフ埋め込みを学習可能なGNNと互換性のあるモデリングフレームワークであるGNNRankを紹介する。 既存の手法と比較して,我々の手法が競争力があり,しばしば優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-02-01T04:19:50Z)
• Surprise: Result List Truncation via Extreme Value Theory [92.5817701697342]
  そこで本研究では,問合せ時における可逆的・校正的関連度スコアを,ランク付けされたスコアに留まらず,統計的に生成する手法を提案する。 本稿では、画像、テキスト、IRデータセット間での結果リストのトランケーションタスクにおいて、その効果を実証する。
  論文  参考訳（メタデータ） (2020-10-19T19:15:50Z)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。