論文の概要: Bounded-Abstention Pairwise Learning to Rank

• arxiv url: http://arxiv.org/abs/2505.23437v1
• Date: Thu, 29 May 2025 13:35:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.875216
• Title: Bounded-Abstention Pairwise Learning to Rank
• Title（参考訳）: 境界保持ペアワイズによるランク付け学習
• Authors: Antonio Ferrara, Andrea Pugnana, Francesco Bonchi, Salvatore Ruggieri,
• Abstract要約: 欠如は、アルゴリズムによる意思決定システムによって、不確実または低信頼な決定を人間の専門家に延期することを可能にする。 ペアワイズ・ラーニング・ツー・ランク・タスクにおける禁忌のための新しい手法を提案する。 我々の貢献は3つある: 最適棄権戦略の理論的特徴、収権モデルを構築するためのモデルに依存しないプラグインアルゴリズム、および複数のデータセットにわたる包括的経験的評価である。
• 参考スコア（独自算出の注目度）: 21.876570823233656
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ranking systems influence decision-making in high-stakes domains like health, education, and employment, where they can have substantial economic and social impacts. This makes the integration of safety mechanisms essential. One such mechanism is $\textit{abstention}$, which enables algorithmic decision-making system to defer uncertain or low-confidence decisions to human experts. While abstention have been predominantly explored in the context of classification tasks, its application to other machine learning paradigms remains underexplored. In this paper, we introduce a novel method for abstention in pairwise learning-to-rank tasks. Our approach is based on thresholding the ranker's conditional risk: the system abstains from making a decision when the estimated risk exceeds a predefined threshold. Our contributions are threefold: a theoretical characterization of the optimal abstention strategy, a model-agnostic, plug-in algorithm for constructing abstaining ranking models, and a comprehensive empirical evaluations across multiple datasets, demonstrating the effectiveness of our approach.
• Abstract（参考訳）: ランク付けシステムは、健康、教育、雇用などの高い領域における意思決定に影響を与える。 これにより、安全機構の統合が不可欠である。 そのようなメカニズムのひとつが$\textit{abstention}$で、アルゴリズムによる意思決定システムによって、不確実または低信頼の判断を人間の専門家に延期することができる。 禁忌は分類タスクの文脈で主に検討されてきたが、他の機械学習パラダイムへの応用はいまだに未検討である。 本稿では,ペアワイズ・ラーニング・ツー・ランクタスクにおける禁忌のための新しい手法を提案する。 提案手法は,推定リスクが予め定義されたしきい値を超えた場合,システムによる決定の棄却という,ランク付け者の条件付きリスクのしきい値の閾値付けに基づく。 我々の貢献は3つある: 最適棄権戦略の理論的特徴、収権モデルを構築するためのモデルに依存しないプラグインアルゴリズム、そして、複数のデータセットにわたる包括的な経験的評価、そして、我々のアプローチの有効性を実証する。

関連論文リスト

• Risk-aware Classification via Uncertainty Quantification [9.641001762056876]
  本稿では,現実世界のリスク認識分類システムを開発するための3つの基礎的デシラタを紹介する。 これらの原則とEvidential Deep Learningの運用特性の統一性を実証する。 そして、不確実性やリスクが本質である場合、自律エージェントが構造化された意思決定中に判断を行なえるよう、EDLを増強する。
  論文  参考訳（メタデータ） (2024-12-04T15:20:12Z)
• Sequential Manipulation Against Rank Aggregation: Theory and Algorithm [119.57122943187086]
  脆弱なデータ収集プロセスに対するオンライン攻撃を活用します。 ゲーム理論の観点からは、対決シナリオは分布的に堅牢なゲームとして定式化される。 提案手法は,ランクアグリゲーション手法の結果を逐次的に操作する。
  論文  参考訳（メタデータ） (2024-07-02T03:31:21Z)
• Beyond Expectations: Learning with Stochastic Dominance Made Practical [88.06211893690964]
  支配は、不確実な結果で意思決定を行うためのリスク-逆の選好をモデル化する。 理論上は魅力的だが、機械学習における優位性の応用は乏しい。 まず支配の概念を一般化し、任意の確率変数の任意のペア間の比較を可能にする。 次に、優位性の観点から最適解を見つけるための単純で効率的なアプローチを開発する。
  論文  参考訳（メタデータ） (2024-02-05T03:21:23Z)
• Risk-Sensitive Stochastic Optimal Control as Rao-Blackwellized Markovian Score Climbing [3.9410617513331863]
  動的システムの最適制御は、シーケンシャルな意思決定において重要な課題である。 コントロール・アズ・推論のアプローチは大きな成功をおさめ、探索・探索ジレンマに対処するためのリスクに敏感なフレームワークを提供する。 本稿では, 条件付き粒子フィルタから抽出した試料下でのマルコフ強化スコアクライミングとして, リスク感応性制御のフレーミングによる新しい視点を提案する。
  論文  参考訳（メタデータ） (2023-12-21T16:34:03Z)
• Online Decision Mediation [72.80902932543474]
  意思決定支援アシスタントを学習し、(好奇心)専門家の行動と(不完全)人間の行動の仲介役として機能することを検討する。 臨床診断では、完全に自律的な機械行動は倫理的余裕を超えることが多い。
  論文  参考訳（メタデータ） (2023-10-28T05:59:43Z)
• On the Complexity of Adversarial Decision Making [101.14158787665252]
  決定推定係数は, 相手の意思決定に対する後悔度を低く抑えるのに必要であり, 十分であることを示す。 我々は、決定推定係数を他のよく知られた複雑性尺度の変種に結びつける新しい構造結果を提供する。
  論文  参考訳（メタデータ） (2022-06-27T06:20:37Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)
• Morshed: Guiding Behavioral Decision-Makers towards Better Security Investment in Interdependent Systems [10.960507931439317]
  我々は、相互依存システムの確保において、人間の意思決定の行動バイアスをモデル化する。 このような行動決定が資源配分の最適パターンに繋がることを示す。 複数ラウンド構成における意思決定向上のための3つの学習手法を提案する。
  論文  参考訳（メタデータ） (2020-11-12T18:23:55Z)
• Fair Meta-Learning For Few-Shot Classification [7.672769260569742]
  バイアスデータに基づいてトレーニングされた機械学習アルゴリズムは、不公平な予測を行う傾向がある。 本稿では,メタトレイン中のバイアスを効果的に軽減する,高速適応型数ショットメタラーニング手法を提案する。 提案手法は,モデル出力のバイアスを効果的に軽減し,不明瞭なタスクに対して精度と公平性の両方を一般化することを実証的に実証する。
  論文  参考訳（メタデータ） (2020-09-23T22:33:47Z)

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。