論文の概要: Dodgersort: Uncertainty-Aware VLM-Guided Human-in-the-Loop Pairwise Ranking

• arxiv url: http://arxiv.org/abs/2603.20839v1
• Date: Sat, 21 Mar 2026 14:55:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.111827
• Title: Dodgersort: Uncertainty-Aware VLM-Guided Human-in-the-Loop Pairwise Ranking
• Title（参考訳）: Dodgersort:不確かさを意識したVLMガイドの人間-----------------Pairwise Ranking
• Authors: Yujin Park, Haejun Chung, Ikbeom Jang,
• Abstract要約: 従来の分類ラベリングよりもレータ間信頼性が高いため、ペアワイズ比較ラベリングが出現している。 そこで我々は,ランキングの信頼性を向上しつつ,人間の比較を削減できるDodgersortを提案する。 4つのデータセットにまたがるドメイン間のアブレーションは、神経適応とアンサンブルの不確実性がこの獲得の鍵であることを示している。
• 参考スコア（独自算出の注目度）: 0.5861893391102716
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Pairwise comparison labeling is emerging as it yields higher inter-rater reliability than conventional classification labeling, but exhaustive comparisons require quadratic cost. We propose Dodgersort, which leverages CLIP-based hierarchical pre-ordering, a neural ranking head and probabilistic ensemble (Elo, BTL, GP), epistemic--aleatoric uncertainty decomposition, and information-theoretic pair selection. It reduces human comparisons while improving the reliability of the rankings. In visual ranking tasks in medical imaging, historical dating, and aesthetics, Dodgersort achieves a 11--16\% annotation reduction while improving inter-rater reliability. Cross-domain ablations across four datasets show that neural adaptation and ensemble uncertainty are key to this gain. In FG-NET with ground-truth ages, the framework extracts 5--20$\times$ more ranking information per comparison than baselines, yielding Pareto-optimal accuracy--efficiency trade-offs.
• Abstract（参考訳）: 従来の分類ラベリングよりもレータ間信頼性が高いため、ペアワイズ比較ラベリングが出現しているが、徹底的な比較は2次コストを必要とする。 本稿では,CLIPに基づく階層的事前順序付け,ニューラルなランキングヘッドと確率的アンサンブル(Elo,BTL,GP),てんかん-聴器的不確実性分解,情報理論的ペア選択を活用するDodgersortを提案する。 ランキングの信頼性を改善しながら、人間の比較を減らす。 医用画像、ヒストリカルデート、美学の視覚的ランク付けタスクでは、ドジャーソートは11～16 %のアノテーションを減らし、信頼性を向上する。 4つのデータセットにまたがるドメイン間のアブレーションは、神経適応とアンサンブルの不確実性がこの獲得の鍵であることを示している。 FG-NETでは、ベースラインよりも比較ごとに5-20$\times$以上のランキング情報を抽出し、Pareto-Optimalの精度-効率のトレードオフをもたらす。

関連論文リスト

• NAIPv2: Debiased Pairwise Learning for Efficient Paper Quality Estimation [58.30936615525824]
  本稿では,紙の品質評価のための非バイアスで効率的なフレームワークであるNAIPv2を提案する。 NAIPv2は、レビューアレーティングの不整合を低減するために、ドメイン年グループ内でペアワイズ学習を採用している。 これはペアワイズ比較に基づいてトレーニングされるが、デプロイ時に効率的なポイントワイズ予測を可能にする。
  論文  参考訳（メタデータ） (2025-09-29T17:59:23Z)
• EZ-Sort: Efficient Pairwise Comparison via Zero-Shot CLIP-Based Pre-Ordering and Human-in-the-Loop Sorting [0.5861893391102716]
  ペアワイズ比較は、主観的または難しいアノテーションタスクにおける絶対評価や順序分類よりも好まれることが多い。 最近の研究は、ソートアルゴリズムを用いてペアワイズ比較を積極的にサンプリングすることで、アノテーションの負担(O(n log n))を大幅に減らした。 さらに,(1)コントラスト言語-画像事前学習(CLIP)モデルを用いて項目を概ね事前注文し,(2)手軽で明白な比較を自動比較に置き換えることで,アノテーションの効率を向上する。
  論文  参考訳（メタデータ） (2025-08-29T12:06:49Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• From Pairwise to Ranking: Climbing the Ladder to Ideal Collaborative Filtering with Pseudo-Ranking [13.01752267289297]
  理想的なコラボレーティブフィルタリングモデルは、ユーザのすべての項目の完全なランキングから学習し、最適なトップKレコメンデーションを作成すべきである。 ほとんどのCFモデルは、完全なランク付けを近似するためにペアワイズ損失関数に依存しており、結果として大きな性能差が生じる。 そこで本研究では,従来のノイズ注入機構によって制御された擬似階調を導入し,ランキング情報の欠如に対処する擬似階調パラダイム(PRP)を提案する。
  論文  参考訳（メタデータ） (2024-12-24T05:01:16Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• Debiasing Neural Retrieval via In-batch Balancing Regularization [25.941718123899356]
  我々は,nPRF上でのT-統計を有効活用し,公平性を向上させるために,識別可能なテキストトナー付きペアワイドランキングフェアネス(nPRF)を開発した。 nPRF を用いた手法は,ベースラインに比べてランク付け性能の低下が最小限に抑えられ,バイアスが大幅に低減される。
  論文  参考訳（メタデータ） (2022-05-18T22:57:15Z)
• 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)
• SimPLE: Similar Pseudo Label Exploitation for Semi-Supervised Classification [24.386165255835063]
  一般的な分類タスクの状況は、トレーニングに利用可能な大量のデータを持っているが、クラスラベルを持つのはごく一部である。 この文脈で、半監督トレーニングの目標は、大量のラベルのないデータからの情報を利用して分類精度を向上させることです。 本研究では,相互に類似した高信頼度ラベル付きデータ間の研究の少ない関係に焦点をあてた,教師なしの新たな目的を提案する。 提案したSimPLEアルゴリズムは,CIFAR-100およびMini-ImageNetにおける従来のアルゴリズムと比較して有意な性能向上を示した。
  論文  参考訳（メタデータ） (2021-03-30T23:48:06Z)
• Pointwise Binary Classification with Pairwise Confidence Comparisons [97.79518780631457]
  ペアワイズ比較(Pcomp)分類を提案し、ラベルのないデータのペアしか持たない。 我々はPcomp分類をノイズラベル学習に結びつけて、進歩的UREを開発し、一貫性の正則化を課すことにより改善する。
  論文  参考訳（メタデータ） (2020-10-05T09:23:58Z)
• 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)

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。