論文の概要: Towards Foundation Models for Consensus Rank Aggregation

• arxiv url: http://arxiv.org/abs/2603.15218v1
• Date: Mon, 16 Mar 2026 12:55:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.289771
• Title: Towards Foundation Models for Consensus Rank Aggregation
• Title（参考訳）: コンセンサス・ランク・アグリゲーションの基礎モデルに向けて
• Authors: Yijun Jin, Simon Klüttermann, Chiara Balestra, Emmanuel Müller,
• Abstract要約: 複数のインプットランキングからコンセンサスランキングを集計することは、レコメンデーションシステム、検索エンジン、求職、選挙におけるアプリケーションの基本的な問題である。 本稿では,ケメニーの最適ランキングを効率的に近似するために,強化学習を用いて学習したトランスフォーマーに基づく新しいアルゴリズムを提案する。 実験結果から,本モデルは古典的多元的およびマルコフ連鎖的手法より優れており,整数線形プログラミング解法よりもはるかに高速な推論が達成されている。
• 参考スコア（独自算出の注目度）: 2.5271538896494143
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Aggregating a consensus ranking from multiple input rankings is a fundamental problem with applications in recommendation systems, search engines, job recruitment, and elections. Despite decades of research in consensus ranking aggregation, minimizing the Kemeny distance remains computationally intractable. Specifically, determining an optimal aggregation of rankings with respect to the Kemeny distance is an NP-hard problem, limiting its practical application to relatively small-scale instances. We propose the Kemeny Transformer, a novel Transformer-based algorithm trained via reinforcement learning to efficiently approximate the Kemeny optimal ranking. Experimental results demonstrate that our model outperforms classical majority-heuristic and Markov-chain approaches, achieving substantially faster inference than integer linear programming solvers. Our approach thus offers a practical, scalable alternative for real-world ranking-aggregation tasks.
• Abstract（参考訳）: 複数のインプットランキングからコンセンサスランキングを集計することは、レコメンデーションシステム、検索エンジン、求職、選挙におけるアプリケーションの基本的な問題である。 コンセンサスランキングアグリゲーションにおける何十年にもわたっての研究にもかかわらず、ケメニー距離の最小化は計算的に難解なままである。 具体的には、ケメニー距離に関するランク付けの最適集約を決定することはNPハード問題であり、その実用的応用を比較的小さなインスタンスに限定する。 我々は,ケメニー最適ランキングを効率的に近似するために,強化学習を用いて学習した新しいトランスフォーマーアルゴリズムであるケメニー変換器を提案する。 実験結果から,本モデルは古典的多元的およびマルコフ連鎖的手法より優れており,整数線形プログラミング解法よりもはるかに高速な推論が達成されている。 そこで本手法は,実世界のランキングアグリゲーションタスクに対して,実用的でスケーラブルな代替手段を提供する。

関連論文リスト

• Adaptive Sampled Softmax with Inverted Multi-Index: Methods, Theory and Applications [79.53938312089308]
  MIDX-Samplerは、逆多重インデックスアプローチに基づく新しい適応型サンプリング戦略である。 本手法は, サンプリングバイアス, 勾配バイアス, 収束速度, 一般化誤差境界などの重要な問題に対処するため, 厳密な理論的解析によって裏付けられている。
  論文  参考訳（メタデータ） (2025-01-15T04:09:21Z)
• POGEMA: A Benchmark Platform for Cooperative Multi-Agent Pathfinding [76.67608003501479]
  POGEMAは、学習のための高速環境、問題インスタンスジェネレータ、可視化ツールキットを含む、総合的なツールセットである。 また、プライマリ評価指標に基づいて計算されるドメイン関連メトリクスの範囲を規定する評価プロトコルを導入し、定義する。 この比較の結果は、様々な最先端のMARL、検索ベース、ハイブリッド手法を含む。
  論文  参考訳（メタデータ） (2024-07-20T16:37:21Z)
• Full Stage Learning to Rank: A Unified Framework for Multi-Stage Systems [40.199257203898846]
  我々は,多段階システム,すなわちGPRP(Generalized Probability Ranking Principle)のための改良されたランキング原理を提案する。 GPRPは、システムパイプラインの各ステージにおける選択バイアスと、ユーザの基本的な関心の両方を強調している。 我々の中核的な考え方は、まず次の段階における選択バイアスを推定し、次に下流モジュールの選択バイアスに最もよく適合するランキングモデルを学ぶことである。
  論文  参考訳（メタデータ） (2024-05-08T06:35:04Z)
• AlphaRank: An Artificial Intelligence Approach for Ranking and Selection Problems [1.0742675209112622]
  固定予算ランキングと選択(R&S)問題に対処する人工知能アプローチであるAlphaRankを紹介する。 逐次サンプリング決定をマルコフ決定プロセスとして定式化し,モンテカルロシミュレーションに基づくロールアウトポリシーを提案する。 我々は、ディープラーニングを用いて、所定の事前に基づいてニューラルネットワークモデルをオフラインでトレーニングすることで、オンラインサンプルアロケーションを加速する。
  論文  参考訳（メタデータ） (2024-02-01T03:47:05Z)
• Parameterized Aspects of Distinct Kemeny Rank Aggregation [4.792851066169871]
  パラメータ化複雑性のレンズの下で,異なるケメニーランクの計算問題について検討する。 ランニング時間を大幅に増加させることなく、望ましいケメニーランキングが見つかることもわかりました。
  論文  参考訳（メタデータ） (2023-09-07T06:58:19Z)
• Serverless Federated AUPRC Optimization for Multi-Party Collaborative Imbalanced Data Mining [119.89373423433804]
  有効指標としてAUPRC(Area Under Precision-Recall)を導入した。 サーバーレスのマルチパーティ共同トレーニングは、サーバーノードのボトルネックを避けることで通信コストを削減できる。 本稿では,AUPRCを直接最適化する ServerLess biAsed sTochastic gradiEnt (SLATE) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-06T06:51:32Z)
• PIER: Permutation-Level Interest-Based End-to-End Re-ranking Framework in E-commerce [13.885695433738437]
  既存の再ランク付け手法は、初期ランキングリストを直接入力として取り、よく設計されたコンテキストワイズモデルによって最適な置換を生成する。 候補の順列を評価することは 現実的には 許容できない計算コストをもたらします 本稿では,これらの課題に対処するため,PIERという新しいエンドツーエンドのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-06T09:17:52Z)
• GNNRank: Learning Global Rankings from Pairwise Comparisons via Directed Graph Neural Networks [68.61934077627085]
  本稿では,グラフ埋め込みを学習可能なGNNと互換性のあるモデリングフレームワークであるGNNRankを紹介する。 既存の手法と比較して,我々の手法が競争力があり,しばしば優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-02-01T04:19:50Z)
• Heuristic Search for Rank Aggregation with Application to Label Ranking [16.275063634853584]
  本稿では,階層化問題を解くために,効果的なハイブリッド進化的ランキングアルゴリズムを提案する。 このアルゴリズムは、コンコーダントペアに基づくセマンティッククロスオーバーと、効率的な漸進的評価手法によって強化された遅延受容局所探索を特徴とする。 アルゴリズムを評価するために実験が行われ、ベンチマークインスタンス上での高い競争性能を示す。
  論文  参考訳（メタデータ） (2022-01-11T11:43:17Z)
• Ranking Cost: Building An Efficient and Scalable Circuit Routing Planner with Evolution-Based Optimization [49.207538634692916]
  そこで我々は、効率よくトレーニング可能なルータを形成するための新しい回路ルーティングアルゴリズム、Randing Costを提案する。 提案手法では,A*ルータが適切な経路を見つけるのに役立つコストマップと呼ばれる新しい変数群を導入する。 我々のアルゴリズムはエンドツーエンドで訓練されており、人工データや人間の実演は一切使用しない。
  論文  参考訳（メタデータ） (2021-10-08T07:22:45Z)
• PiRank: Learning To Rank via Differentiable Sorting [85.28916333414145]
  ランク付けのための新しい分類可能なサロゲートであるPiRankを提案する。 ピランクは所望の指標をゼロ温度の限界で正確に回収する。
  論文  参考訳（メタデータ） (2020-12-12T05:07:36Z)

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。