論文の概要: Meta Learning to Rank for Sparsely Supervised Queries

• arxiv url: http://arxiv.org/abs/2409.19548v1
• Date: Sun, 29 Sep 2024 04:24:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 14:30:27.406886
• Title: Meta Learning to Rank for Sparsely Supervised Queries
• Title（参考訳）: わずかに監督されたクエリのランク付けのためのメタ学習
• Authors: Xuyang Wu, Ajit Puthenputhussery, Hongwei Shang, Changsung Kang, Yi Fang,
• Abstract要約: 多くの現実世界の検索と検索のシナリオでは、監視信号は簡単には利用できないかもしれないし、いくつかのクエリを入手するのにコストがかかるかもしれない。 本稿では,メタラーニングの高速学習と適応能力を活用した新しいメタラーニング手法を提案する。 提案手法は,新しいクエリがトレーニングクエリと異なる特性を持つ場合,特に有益である。
• 参考スコア（独自算出の注目度）: 10.422527051110526
• License:
• Abstract: Supervisory signals are a critical resource for training learning to rank models. In many real-world search and retrieval scenarios, these signals may not be readily available or could be costly to obtain for some queries. The examples include domains where labeling requires professional expertise, applications with strong privacy constraints, and user engagement information that are too scarce. We refer to these scenarios as sparsely supervised queries which pose significant challenges to traditional learning to rank models. In this work, we address sparsely supervised queries by proposing a novel meta learning to rank framework which leverages fast learning and adaption capability of meta-learning. The proposed approach accounts for the fact that different queries have different optimal parameters for their rankers, in contrast to traditional learning to rank models which only learn a global ranking model applied to all the queries. In consequence, the proposed method would yield significant advantages especially when new queries are of different characteristics with the training queries. Moreover, the proposed meta learning to rank framework is generic and flexible. We conduct a set of comprehensive experiments on both public datasets and a real-world e-commerce dataset. The results demonstrate that the proposed meta-learning approach can significantly enhance the performance of learning to rank models with sparsely labeled queries.
• Abstract（参考訳）: 教師信号は、モデルをランク付けするための学習を訓練するための重要なリソースである。 多くの現実世界の検索と検索のシナリオでは、これらの信号は簡単には利用できないかもしれないし、クエリーを入手するのにコストがかかるかもしれない。 例えば、ラベル付けが専門的な専門知識を必要とするドメイン、強力なプライバシ制約を持つアプリケーション、不足しているユーザエンゲージメント情報などです。 これらのシナリオを、モデルのランク付けにおいて従来の学習に重大な課題をもたらす、緩やかな教師付きクエリとして言及する。 本研究では,メタ学習の高速学習と適応能力を活用した新しいメタ学習のランク付けフレームワークを提案する。 提案手法は,全てのクエリに適用されるグローバルランキングモデルのみを学習する従来のランク付けモデルとは対照的に,異なるクエリがランク付けに最適なパラメータを持つという事実を考慮に入れている。 その結果、新しいクエリがトレーニングクエリと異なる特性を持つ場合、提案手法は特に大きな利点をもたらす。 さらに、提案されたメタラーニングフレームワークのランク付けは、ジェネリックでフレキシブルである。 パブリックデータセットと実世界のeコマースデータセットの両方で、包括的な実験のセットを実行します。 その結果, メタラーニング手法は, 少ないラベル付きクエリを用いたモデルのランク付けにおいて, 学習性能を著しく向上させることができることがわかった。

関連論文リスト

• Generative Pre-trained Ranking Model with Over-parameterization at Web-Scale (Extended Abstract) [73.57710917145212]
  ランク付け学習は、入力クエリに基づいて関連するWebページを優先順位付けするために、Web検索で広く使われている。 本稿では,これらの課題に対処するために,経験的 UlineSemi-uline Supervised ulinePre-trained (GS2P) モデルを提案する。 我々は,公開データセットと大規模検索エンジンから収集した実世界のデータセットの両方に対して,大規模なオフライン実験を行う。
  論文  参考訳（メタデータ） (2024-09-25T03:39:14Z)
• Query-oriented Data Augmentation for Session Search [71.84678750612754]
  本稿では,検索ログの強化とモデリングの強化を目的としたクエリ指向データ拡張を提案する。 検索コンテキストの最も重要な部分を変更することで補足的なトレーニングペアを生成する。 我々は、現在のクエリを変更するためのいくつかの戦略を開発し、その結果、様々な難易度で新しいトレーニングデータを得る。
  論文  参考訳（メタデータ） (2024-07-04T08:08:33Z)
• Actively Discovering New Slots for Task-oriented Conversation [19.815466126158785]
  本稿では,ループ内学習を実現するため,情報抽出方式で汎用的なスロットタスクを提案する。 我々は既存の言語ツールを活用し、対応するラベルが弱い監視信号として利用される値候補を抽出する。 いくつかの公開データセットに対して広範な実験を行い、競合するベースラインを多数比較して手法を実証する。
  論文  参考訳（メタデータ） (2023-05-06T13:33:33Z)
• MERMAIDE: Learning to Align Learners using Model-Based Meta-Learning [62.065503126104126]
  本研究では,先見のつかない学習エージェントの報酬を効率よく効果的に介入し,望ましい結果を導き出す方法について検討する。 これはオークションや課税のような現実世界の多くの設定に関係しており、プリンシパルは学習行動や実際の人々の報酬を知らないかもしれない。 モデルに基づくメタ学習フレームワークであるMERMAIDEを導入し,配布外エージェントに迅速に適応できるプリンシパルを訓練する。
  論文  参考訳（メタデータ） (2023-04-10T15:44:50Z)
• From Easy to Hard: A Dual Curriculum Learning Framework for Context-Aware Document Ranking [41.8396866002968]
  文脈対応文書ランキングのためのカリキュラム学習フレームワークを提案する。 我々はこのモデルをグローバルな最適化に向けて徐々に導くことを目指している。 2つの実クエリログデータセットの実験により、提案するフレームワークは、既存のいくつかのメソッドの性能を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2022-08-22T12:09:12Z)
• Active metric learning and classification using similarity queries [21.589707834542338]
  本稿では、キーコンポーネントが類似性を反映したデータの表現を学習している問題に対して、新しい統合クエリフレームワークを適用することができることを示す。 提案手法の有効性を,アクティブなメトリック学習とアクティブな分類という2つの課題で実証する。
  論文  参考訳（メタデータ） (2022-02-04T03:34:29Z)
• Learning an Explicit Hyperparameter Prediction Function Conditioned on Tasks [62.63852372239708]
  メタ学習は、観察されたタスクから機械学習の学習方法論を学び、新しいクエリタスクに一般化することを目的としている。 我々は、これらの学習手法を、全てのトレーニングタスクで共有される明示的なハイパーパラメータ予測関数の学習として解釈する。 このような設定は、メタ学習方法論が多様なクエリタスクに柔軟に適合できることを保証する。
  論文  参考訳（メタデータ） (2021-07-06T04:05:08Z)
• Variable-Shot Adaptation for Online Meta-Learning [123.47725004094472]
  従来のタスクから静的データにまたがるメタラーニングによって,少数の固定された例から新しいタスクを学習する問題について検討する。 メタラーニングは,従来の教師付き手法に比べて,ラベルの総数が少なく,累積性能も高いタスクセットを解く。 これらの結果から,メタラーニングは,一連の問題を継続的に学習し,改善する学習システムを構築する上で重要な要素であることが示唆された。
  論文  参考訳（メタデータ） (2020-12-14T18:05:24Z)
• Improving Generalization in Meta-learning via Task Augmentation [69.83677015207527]
  本稿ではMetaMixとChannel Shuffleの2つのタスク拡張手法を提案する。 MetaMixとChannel Shuffleはどちらも、多くのデータセットにまたがる大きなマージンによって、最先端の結果を上回っている。
  論文  参考訳（メタデータ） (2020-07-26T01:50:42Z)

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。