論文の概要: RankList -- A Listwise Preference Learning Framework for Predicting Subjective Preferences

• arxiv url: http://arxiv.org/abs/2508.09826v1
• Date: Wed, 13 Aug 2025 13:59:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.918886
• Title: RankList -- A Listwise Preference Learning Framework for Predicting Subjective Preferences
• Title（参考訳）: RankList -- 主観的選好を予測するためのリスナリーな選好学習フレームワーク
• Authors: Abinay Reddy Naini, Fernando Diaz, Carlos Busso,
• Abstract要約: RankNetを構造化されたリストレベルの監視に一般化するリストワイズ選好学習フレームワークである RankList を提案する。 我々の定式化は確率的枠組みの中で局所的および非局所的ランキング制約を明示的にモデル化する。 実験は多種多様性にまたがる手法の優越性を実証した。
• 参考スコア（独自算出の注目度）: 66.76322360727809
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Preference learning has gained significant attention in tasks involving subjective human judgments, such as \emph{speech emotion recognition} (SER) and image aesthetic assessment. While pairwise frameworks such as RankNet offer robust modeling of relative preferences, they are inherently limited to local comparisons and struggle to capture global ranking consistency. To address these limitations, we propose RankList, a novel listwise preference learning framework that generalizes RankNet to structured list-level supervision. Our formulation explicitly models local and non-local ranking constraints within a probabilistic framework. The paper introduces a log-sum-exp approximation to improve training efficiency. We further extend RankList with skip-wise comparisons, enabling progressive exposure to complex list structures and enhancing global ranking fidelity. Extensive experiments demonstrate the superiority of our method across diverse modalities. On benchmark SER datasets (MSP-Podcast, IEMOCAP, BIIC Podcast), RankList achieves consistent improvements in Kendall's Tau and ranking accuracy compared to standard listwise baselines. We also validate our approach on aesthetic image ranking using the Artistic Image Aesthetics dataset, highlighting its broad applicability. Through ablation and cross-domain studies, we show that RankList not only improves in-domain ranking but also generalizes better across datasets. Our framework offers a unified, extensible approach for modeling ordered preferences in subjective learning scenarios.
• Abstract（参考訳）: 選好学習は、主観的人間の判断に関わるタスクにおいて、例えば「emph{speech emotion recognition}」(SER)や画像美的評価などに大きな注目を集めている。 RankNetのようなペアワイズフレームワークは、相対的嗜好の堅牢なモデリングを提供するが、本質的にはローカル比較に限られており、グローバルランキングの一貫性を捉えるのに苦労している。 このような制約に対処するため、我々はRangNetを構造化されたリストレベルの監視に一般化する新しいリストワイド選好学習フレームワークであるRangListを提案する。 我々の定式化は確率的枠組みの中で局所的および非局所的ランキング制約を明示的にモデル化する。 トレーニング効率を向上させるために,log-sum-exp近似を導入する。 さらに、LangeListをスキップワイド比較で拡張し、複雑なリスト構造へのプログレッシブな露出を可能にし、グローバルなランキングの忠実度を向上します。 実験は多種多様性にまたがる手法の優越性を実証した。 ベンチマークSERデータセット(MSP-Podcast、IEMOCAP、BIIC Podcast)では、KendallのTauの一貫性のある改善と、標準リストのベースラインと比較してのランキング精度を実現している。 また、Artic Image Aestheticsデータセットを用いて、美容画像ランキングのアプローチを検証し、その適用性を強調した。 アブレーションとクロスドメインスタディを通じて、RangeListはドメイン内のランキングを改善するだけでなく、データセット全体の一般化も行います。 我々のフレームワークは、主観的学習シナリオにおける順序づけられた嗜好をモデル化するための統一的で拡張可能なアプローチを提供する。

関連論文リスト

• Rankformer: A Graph Transformer for Recommendation based on Ranking Objective [27.953113185360174]
  ランキングにインスパイアされたレコメンデーションモデルであるRanformerを提案する。 アーキテクチャはランク付け対象の勾配にインスパイアされ、ユニークな(グラフ)トランスフォーマーアーキテクチャを具現化している。 大規模な実験結果から、Ranformerは最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-03-21T07:53:06Z)
• 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の既存の手法に対する大きな利点は、ランク付け中にグローバルな情報をよりよく活用できることである。
  論文  参考訳（メタデータ） (2024-11-18T21:10:14Z)
• Self-Calibrated Listwise Reranking with Large Language Models [137.6557607279876]
  大規模言語モデル (LLM) はシーケンシャル・ツー・シーケンス・アプローチによってタスクのランク付けに使用されている。 この階調のパラダイムは、より大きな候補集合を反復的に扱うためにスライディングウインドウ戦略を必要とする。 そこで本稿では,LLMを用いた自己校正リストのランク付け手法を提案する。
  論文  参考訳（メタデータ） (2024-11-07T10:31:31Z)
• RankingSHAP -- Listwise Feature Attribution Explanations for Ranking Models [48.895510739010355]
  このギャップに対処するための重要な貢献は3つあります。 まず、ランキングモデルに対するリストワイズ機能属性を厳格に定義する。 第2に、ランク付けSHAPを導入し、人気のあるSHAPフレームワークを拡張して、ランク付け属性をリストワイズする。 第3に、学習からランクへのモデルにおける属性の忠実度を評価するための2つの新しい評価パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-03-24T10:45:55Z)
• Replace Scoring with Arrangement: A Contextual Set-to-Arrangement Framework for Learning-to-Rank [40.81502990315285]
  ラーニング・トゥ・ランク(Learning-to-rank)は、トップNレコメンデーションタスクの中核的なテクニックであり、理想的なランク付けはアイテムからアレンジへのマッピングである。 既存のソリューションのほとんどは確率的ランキング原理(PRP)のパラダイムに該当する。すなわち、まず候補セットで各項目をスコアし、次にソート操作を行い、トップランキングリストを生成する。 本稿では,個別のスコアリングやソートを必要とせずに,候補項目の順列を直接生成する新しいフレームワークであるSet-To-Arrangement Ranking (STARank)を提案する。
  論文  参考訳（メタデータ） (2023-08-05T12:22:26Z)
• Learning List-Level Domain-Invariant Representations for Ranking [59.3544317373004]
  リストレベルのアライメント -- より高いレベルのリストでドメイン不変表現を学習する。 利点は2つある: これは、ランク付けに縛られる最初のドメイン適応の一般化をもたらし、その結果、提案法に対する理論的支援を提供する。
  論文  参考訳（メタデータ） (2022-12-21T04:49:55Z)
• 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。