論文の概要: When Less Is More: Binary Feedback Can Outperform Ordinal Comparisons in Ranking Recovery

• arxiv url: http://arxiv.org/abs/2507.01613v1
• Date: Wed, 02 Jul 2025 11:30:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.174363
• Title: When Less Is More: Binary Feedback Can Outperform Ordinal Comparisons in Ranking Recovery
• Title（参考訳）: 小さければ、バイナリフィードバックはランキングリカバリの通常の比較より優れている
• Authors: Shirong Xu, Jingnan Zhang, Junhui Wang,
• Abstract要約: 関係のない順序対比較をモデル化するための一般的なパラメトリック・フレームワークを提案する。 順序データの双対化はランキング回復の精度を著しく向上させることができることを示す。
• 参考スコア（独自算出の注目度）: 4.451479907610764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Paired comparison data, where users evaluate items in pairs, play a central role in ranking and preference learning tasks. While ordinal comparison data intuitively offer richer information than binary comparisons, this paper challenges that conventional wisdom. We propose a general parametric framework for modeling ordinal paired comparisons without ties. The model adopts a generalized additive structure, featuring a link function that quantifies the preference difference between two items and a pattern function that governs the distribution over ordinal response levels. This framework encompasses classical binary comparison models as special cases, by treating binary responses as binarized versions of ordinal data. Within this framework, we show that binarizing ordinal data can significantly improve the accuracy of ranking recovery. Specifically, we prove that under the counting algorithm, the ranking error associated with binary comparisons exhibits a faster exponential convergence rate than that of ordinal data. Furthermore, we characterize a substantial performance gap between binary and ordinal data in terms of a signal-to-noise ratio (SNR) determined by the pattern function. We identify the pattern function that minimizes the SNR and maximizes the benefit of binarization. Extensive simulations and a real application on the MovieLens dataset further corroborate our theoretical findings.
• Abstract（参考訳）: ペア比較データでは、ユーザがペアでアイテムを評価することで、ランキングと好みの学習タスクにおいて中心的な役割を果たす。 順序比較データは二進比較よりも直感的に豊かな情報を提供するが、本稿は従来の知恵に挑戦する。 関係のない順序対比較をモデル化するための一般的なパラメトリック・フレームワークを提案する。 このモデルでは2項目間の選好差を定量化するリンク関数と、順序応答レベルの分布を管理するパターン関数を特徴とする一般化加法構造を採用する。 このフレームワークは、二項応答を順序データの二項化バージョンとして扱うことで、古典的な二項比較モデルを特別なケースとして含む。 この枠組みでは、二項化順序データによりランキング回復の精度が大幅に向上することを示す。 具体的には、カウントアルゴリズムの下では、二進比較に付随するランク誤差は、順序データよりも高速な指数収束率を示す。 さらに、パターン関数によって決定される信号対雑音比(SNR)の観点から、二進法と順序法のデータの実質的な性能差を特徴付ける。 我々は,SNRを最小化し,二項化の利点を最大化するパターン関数を同定する。 大規模なシミュレーションと、MovieLensデータセットの実際の応用は、我々の理論的な発見をさらに裏付ける。

関連論文リスト

• OrdRankBen: A Novel Ranking Benchmark for Ordinal Relevance in NLP [6.6002656593260225]
  ベンチマークデータセットは、公正な比較を保証するための標準化されたテストベッドを提供する上で、重要な役割を果たす。 既存のNLPランキングベンチマークでは、通常、二進関係ラベルまたは連続関係スコアを使用し、順序関係スコアを無視する。 OrdRankBenは、多粒度関連性の違いを捉えるために設計された新しいベンチマークである。
  論文  参考訳（メタデータ） (2025-03-02T00:28:55Z)
• 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)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• CORE: Learning Consistent Ordinal REpresentations for Image Ordinal Estimation [35.39143939072549]
  本稿では,本研究の基盤となるラベルに存在する順序関係から,本質的な一貫性のある順序表現(CORE)を学習することを提案する。 COREは、順序付き潜在空間を正確に構築し、より優れた結果を得るために既存の深い順序付き回帰法を大幅に強化することができる。
  論文  参考訳（メタデータ） (2023-01-15T15:42:26Z)
• Ordinal-ResLogit: Interpretable Deep Residual Neural Networks for Ordered Choices [6.982614422666432]
  我々は、完全に解釈可能なディープラーニングに基づく順序回帰モデルを開発する。 市場シェア、代替パターン、弾力性の定式化が導出される。 以上の結果から,Ordinal-ResLogitは従来の順序回帰モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-04-20T02:14:28Z)
• Riemannian classification of EEG signals with missing values [67.90148548467762]
  本稿では脳波の分類に欠落したデータを扱うための2つの方法を提案する。 第1のアプローチでは、インプットされたデータと$k$-nearestの隣人アルゴリズムとの共分散を推定し、第2のアプローチでは、期待最大化アルゴリズム内で観測データの可能性を活用することにより、観測データに依存する。 その結果, 提案手法は観測データに基づく分類よりも優れており, 欠落したデータ比が増大しても高い精度を維持することができることがわかった。
  論文  参考訳（メタデータ） (2021-10-19T14:24:50Z)
• Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise Comparisons [85.5955376526419]
  ランキングアグリゲーション問題では、各項目を比較する際に、様々な精度レベルが示される。 本稿では,ノイズのあるペアワイズ比較によってアイテムのランクを推定する,除去に基づくアクティブサンプリング戦略を提案する。 提案アルゴリズムは,商品の真のランキングを高い確率で返却できることを示す。
  論文  参考訳（メタデータ） (2021-10-08T13:51:55Z)
• Contrastive Fine-tuning Improves Robustness for Neural Rankers [1.3868793694964396]
  本稿では、ドメイン外データやクエリの摂動に対するロバスト性を大幅に向上させることができる、微調整型ニューラルローダの新しい手法を提案する。 関連ラベルを用いて類似/異種ペアを表現し、異なるクエリとドキュメントのペア間で、モデルが基礎となるマッチングセマンティクスを学習できるようにする。 提案手法は, BERT と BART をベースとしたロータの問合せ, ノイズ摂動, ゼロショット転送に対するロバスト性の向上を実現する。
  論文  参考訳（メタデータ） (2021-05-27T04:00:22Z)
• Two-Sample Testing on Ranked Preference Data and the Role of Modeling Assumptions [57.77347280992548]
  本稿では,ペアワイズ比較データとランキングデータのための2サンプル試験を設計する。 私たちのテストでは、基本的に分布に関する仮定は必要ありません。 実世界のペアワイズ比較データに2サンプルテストを適用することで、人によって提供される評価とランキングは、実際は異なる分散である、と結論付ける。
  論文  参考訳（メタデータ） (2020-06-21T20:51:09Z)
• Pairwise Supervised Hashing with Bernoulli Variational Auto-Encoder and Self-Control Gradient Estimator [62.26981903551382]
  バイナリ潜在変数を持つ変分自動エンコーダ(VAE)は、文書検索の精度の観点から最先端のパフォーマンスを提供する。 本稿では、クラス内類似度とクラス間類似度に報いるために、個別潜伏型VAEを用いたペアワイズ損失関数を提案する。 この新しいセマンティックハッシュフレームワークは、最先端技術よりも優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-05-21T06:11:33Z)
• Preference Modeling with Context-Dependent Salient Features [12.403492796441434]
  本稿では,各項目の特徴について,ノイズの多いペアワイド比較から,項目集合のランキングを推定する問題を考察する。 私たちのキーとなる観察は、他の項目から分離して比較した2つの項目は、機能の健全なサブセットのみに基づいて比較できるということです。
  論文  参考訳（メタデータ） (2020-02-22T04:05:16Z)

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。