論文の概要: Metric-agnostic Learning-to-Rank via Boosting and Rank Approximation

• arxiv url: http://arxiv.org/abs/2604.15101v1
• Date: Thu, 16 Apr 2026 14:59:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.963409
• Title: Metric-agnostic Learning-to-Rank via Boosting and Rank Approximation
• Title（参考訳）: ブースティングとランク近似によるメトリック非依存学習
• Authors: Camilo Gomez, Pengyang Wang, Yanjie Fu,
• Abstract要約: そこで本研究では,各クエリの平均平方損失に対してスムーズな近似を組み合わした,新たな微分可能なランキング損失を提案する。 本手法は,情報検索における現状と同等の効率で性能を向上する。
• 参考スコア（独自算出の注目度）: 33.0347118359824
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning-to-Rank (LTR) is a supervised machine learning approach that constructs models specifically designed to order a set of items or documents based on their relevance or importance to a given query or context. Despite significant success in real-world information retrieval systems, current LTR methods rely on one prefix ranking metric (e.g., such as Normalized Discounted Cumulative Gain (NDCG) or Mean Average Precision (MAP)) for optimizing the ranking objective function. Such metric-dependent setting limits LTR methods from two perspectives: (1) non-differentiable problem: directly optimizing ranking functions over a given ranking metric is inherently non-smooth, making the training process unstable and inefficient; (2) limited ranking utility: optimizing over one single metric makes it difficult to generalize well to other ranking metrics of interest. To address the above issues, we propose a novel listwise LTR framework for efficient and generalizable ranking purpose. Specifically, we propose a new differentiable ranking loss that combines a smooth approximation to the ranking operator with the average mean square loss per query. Then, we adapt gradient-boosting machines to minimize our proposed loss with respect to each list, a novel contribution. Finally, extensive experimental results confirm that our method outperforms the current state-of-the-art in information retrieval measures with similar efficiency.
• Abstract（参考訳）: ラーニング・トゥ・ランド(Learning-to-Rank、LTR)は、特定のクエリやコンテキストとの関連性や重要性に基づいて、アイテムやドキュメントのセットを注文するために特別に設計されたモデルを構築する教師付き機械学習アプローチである。 実世界の情報検索システムにおいて大きな成功を収めたにもかかわらず、現在のLTR手法は、ランクの目的関数を最適化するために1つのプレフィックスのランキング基準(例えば、正規化カウント累積ゲイン(NDCG)や平均精度(MAP))に依存している。 このようなメートル法に依存した設定法は,次の2つの観点から制限される: (1) 微分不可能な問題: 与えられたランク法でランク関数を直接最適化することは本質的に非滑らかであり,トレーニングプロセスを不安定かつ非効率にすること; (2) 限定的なランク法: 1つのメートル法を最適化することは,他のランク法とよく一致させることが困難である。 上記の課題に対処するために,効率よく一般化可能なランキングのためのリストワイズLTRフレームワークを提案する。 具体的には、スムーズな近似とクエリ毎の平均平方損失を組み合わせた、新たな微分可能なランキング損失を提案する。 そこで我々は,提案した各リストに対する損失を最小限に抑えるために,勾配ブースティングマシンを適用した。 最後に,本手法が同等の効率で情報検索手法における最先端の手法よりも優れていることを確認する。

関連論文リスト

• Towards Two-Stage Counterfactual Learning to Rank [50.51916012823433]
  ランク付けのためのカウンターファクトラーニングは、ユーザのインタラクションからランク付けポリシーを学ぶことを目的としている。 現実のアプリケーションでは、候補文書セットは数百万の順序で行われ、単一のステージのランキングポリシーを非現実的にしている。 本稿では,2段階間の相互作用を考慮した2段階CLTR推定器を提案する。
  論文  参考訳（メタデータ） (2025-06-25T22:00:12Z)
• Rank-R1: Enhancing Reasoning in LLM-based Document Rerankers via Reinforcement Learning [76.50690734636477]
  ランキングタスクを実行する前にユーザクエリと候補文書の両方を推論する新しいLCMベースのリランカである Rank-R1 を導入する。 TREC DL と BRIGHT データセットを用いた実験により,Ranc-R1 が特に複雑なクエリに対して非常に有効であることが判明した。
  論文  参考訳（メタデータ） (2025-03-08T03:14:26Z)
• 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)
• Learning Fair Ranking Policies via Differentiable Optimization of Ordered Weighted Averages [55.04219793298687]
  本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。 特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
  論文  参考訳（メタデータ） (2024-02-07T20:53:53Z)
• Adaptive Neural Ranking Framework: Toward Maximized Business Goal for Cascade Ranking Systems [33.46891569350896]
  カスケードランキングは、オンライン広告とレコメンデーションシステムにおける大規模なトップk選択問題に広く使われている。 それまでの学習からランクへの取り組みは、モデルに完全な順序やトップクオーダを学習させることに重点を置いていた。 我々はこの手法をアダプティブ・ニューラルランキング・フレームワーク (Adaptive Neural Ranking Framework, ARF) と命名する。
  論文  参考訳（メタデータ） (2023-10-16T14:43:02Z)
• 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)
• 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。