論文の概要: Modeling Ranking Properties with In-Context Learning

• arxiv url: http://arxiv.org/abs/2505.17736v1
• Date: Fri, 23 May 2025 10:58:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.015732
• Title: Modeling Ranking Properties with In-Context Learning
• Title（参考訳）: 文脈学習によるランキング特性のモデル化
• Authors: Nilanjan Sinhababu, Andrew Parry, Debasis Ganguly, Pabitra Mitra,
• Abstract要約: 本稿では,各ランキングシナリオやデータセットに対するタスク固有のトレーニングを不要とする,コンテキスト内学習(ICL)アプローチを提案する。 提案手法は,現在入力に類似した過去の問合せの目的間のトレードオフを示す少数の事例ランキングに依存する。
• 参考スコア（独自算出の注目度）: 13.34397013426643
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While standard IR models are mainly designed to optimize relevance, real-world search often needs to balance additional objectives such as diversity and fairness. These objectives depend on inter-document interactions and are commonly addressed using post-hoc heuristics or supervised learning methods, which require task-specific training for each ranking scenario and dataset. In this work, we propose an in-context learning (ICL) approach that eliminates the need for such training. Instead, our method relies on a small number of example rankings that demonstrate the desired trade-offs between objectives for past queries similar to the current input. We evaluate our approach on four IR test collections to investigate multiple auxiliary objectives: group fairness (TREC Fairness), polarity diversity (Touch\'e), and topical diversity (TREC Deep Learning 2019/2020). We empirically validate that our method enables control over ranking behavior through demonstration engineering, allowing nuanced behavioral adjustments without explicit optimization.
• Abstract（参考訳）: 標準のIRモデルは、主に妥当性を最適化するために設計されているが、現実世界の検索は、多様性や公正性といった追加の目的のバランスをとる必要があることが多い。 これらの目的は文書間の相互作用に依存しており、各ランキングシナリオとデータセットに対するタスク固有のトレーニングを必要とする、ポストホックヒューリスティックや教師付き学習手法を用いて、一般的に対処される。 本研究では,このような学習を不要とするインコンテキスト学習(ICL)手法を提案する。 その代わり,提案手法は,現在の入力に類似した過去のクエリに対する目的間のトレードオフを示す少数のサンプルランキングに依存する。 我々は,グループフェアネス(TRECフェアネス),極性多様性(Touch\'e),トピックス多様性(TREC Deep Learning 2019/2020)の4つのIRテストコレクションに対するアプローチを評価した。 実験により,本手法が実証工学によるランク付け動作の制御を可能にし,明示的な最適化を伴わずに微妙な動作調整を可能にすることを実証的に検証した。

関連論文リスト

• Multi-Level Aware Preference Learning: Enhancing RLHF for Complex Multi-Instruction Tasks [81.44256822500257]
  RLHFは、人工知能システムと人間の好みを結びつける主要なアプローチとして登場した。 RLHFは、複雑なマルチインストラクションタスクに直面すると、不十分なコンプライアンス機能を示す。 本稿では,マルチインストラクション能力を向上させる新しいMAPL(Multi-level Aware Preference Learning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-19T08:33:11Z)
• Goal-Conditioned Supervised Learning for Multi-Objective Recommendation [8.593384839118658]
  多目的学習は、一つのモデルを用いて複数の目的を同時に最適化する。 本稿では,オフラインシーケンシャルデータから複数の目標を自動学習する多目的目標定義型監視学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-12T03:47:40Z)
• Rethinking Meta-Learning from a Learning Lens [35.98940987691948]
  メタラーニングの理論的理解と実践的実践のギャップを埋める方法について考察する。 タスク関係を利用してメタ学習を校正するプラグイン・アンド・プレイ方式TRLearnerを提案する。
  論文  参考訳（メタデータ） (2024-09-13T02:00:16Z)
• SCoRe: Submodular Combinatorial Representation Learning [12.874523233023453]
  本稿では,表現学習の新しいアプローチであるSCoRe(Submodular Combinatorial Representation)フレームワークを紹介する。 SCoReは、集合に基づくサブモジュラー情報測度に基づく損失関数の族を導入することで、表現学習の新しい視点を提供する。
  論文  参考訳（メタデータ） (2023-09-29T22:09:07Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision Research [96.53307645791179]
  我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。 分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。 NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
  論文  参考訳（メタデータ） (2022-11-15T18:57:46Z)
• Discrete Factorial Representations as an Abstraction for Goal Conditioned Reinforcement Learning [99.38163119531745]
  離散化ボトルネックを適用することにより,目標条件付きRLセットアップの性能が向上することを示す。 分布外目標に対する期待した回帰を実験的に証明し、同時に表現的な構造で目標を指定できるようにします。
  論文  参考訳（メタデータ） (2022-11-01T03:31:43Z)
• Conditional Meta-Learning of Linear Representations [57.90025697492041]
  表現学習のための標準メタラーニングは、複数のタスク間で共有される共通の表現を見つけることを目的とする。 本研究では,タスクの側情報を手作業に適した表現にマッピングし,条件付け関数を推定することで,この問題を克服する。 この利点を実用的に活用できるメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-30T12:02:14Z)
• Lessons from Chasing Few-Shot Learning Benchmarks: Rethinking the Evaluation of Meta-Learning Methods [9.821362920940631]
  メタラーニングのための簡単なベースライン、FIX-MLを紹介します。 メタラーニングの2つの可能性を探る:(i)トレーニングセット(in-distriion)を生成する同じタスク分布に一般化する手法を開発する、(ii)新しい未確認タスク分布(out-of-distriion)に一般化する手法を開発する。 本研究は,この領域の進歩を推論するためには,メタラーニングの目標を明確に説明し,より適切な評価戦略を開発する必要があることを強調した。
  論文  参考訳（メタデータ） (2021-02-23T05:34:30Z)
• 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)

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。