論文の概要: DenoiseRank: Learning to Rank by Diffusion Models

• arxiv url: http://arxiv.org/abs/2604.20852v1
• Date: Tue, 17 Feb 2026 05:32:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.110819
• Title: DenoiseRank: Learning to Rank by Diffusion Models
• Title（参考訳）: DenoiseRank: 拡散モデルによるランク付け学習
• Authors: Ying Wang, Preslav Nakov, Shangsong Liang,
• Abstract要約: 本稿では,拡散過程における関連ラベルをノイズ化し,逆過程における問合せ文書にデノイズし,その分布を正確に予測する新しいデノイズランクモデルDenoiseRankを提案する。 ベンチマークデータセットの実験では、DenoiseRankの有効性が実証された。
• 参考スコア（独自算出の注目度）: 59.86207844229628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning to rank (LTR) is one of the core tasks in Machine Learning. Traditional LTR models have made great progress, but nearly all of them are implemented from discriminative perspective. In this paper, we aim at addressing LTR from a novel perspective, i.e., by a deep generative model. Specifically, we propose a novel denoise rank model, DenoiseRank, which noises the relevant labels in the diffusion process and denoises them on the query documents in the reverse process to accurately predict their distribution. Our model is the first to address traditional LTR from generative perspective and is a diffusion method for LTR. Our extensive experiments on benchmark datasets demonstrated the effectiveness of DenoiseRank, and we believe it provides a benchmark for generative LTR task.
• Abstract（参考訳）: ラーニング・トゥ・ランク(Learning to rank、LTR)は、機械学習における中核的なタスクのひとつ。 従来のLTRモデルは大きな進歩を遂げているが、ほとんど全てが差別的な観点から実装されている。 本稿では,新しい視点,すなわち深部生成モデルからLTRに対処することを目的とする。 具体的には,拡散過程における関連ラベルをノイズ化し,逆過程における問合せ文書にデノイズし,その分布を正確に予測する新しいデノイズランクモデルDenoiseRankを提案する。 我々のモデルは, 従来のLTRを生成的視点から論じる最初のものであり, LTRの拡散法である。 ベンチマークデータセットに関する広範な実験により、DenoiseRankの有効性が実証された。

関連論文リスト

• From Noise to Order: Learning to Rank via Denoising Diffusion [21.05143895083113]
  本稿では,情報検索における学習からランクへの拡散に基づく深層生成手法を提案する。 実験の結果,DiffusionRankモデルから差別的モデルよりも顕著な改善が得られた。
  論文  参考訳（メタデータ） (2026-02-12T00:02:37Z)
• 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)
• Estimating the Hessian Matrix of Ranking Objectives for Stochastic Learning to Rank with Gradient Boosted Trees [63.18324983384337]
  グラディエントブースト決定木(GBDT)のランク付け手法について紹介する。 我々の主な貢献は、二階微分、すなわちヘッセン行列に対する新しい推定器である。 推定器を既存のPL-Rankフレームワークに組み込む。
  論文  参考訳（メタデータ） (2024-04-18T13:53:32Z)
• Is ChatGPT Good at Search? Investigating Large Language Models as Re-Ranking Agents [53.78782375511531]
  大規模言語モデル(LLM)は、様々な言語関連タスクにまたがる顕著なゼロショットの一般化を実証している。 本稿では、情報検索(IR)における関連性ランキングのためのジェネレーティブLLMについて検討する。 LLMのデータ汚染に関する懸念に対処するため,我々はNovereEvalという新しいテストセットを収集した。 実世界のアプリケーションの効率を向上させるため、ChatGPTのランキング能力を小さな特殊モデルに蒸留する可能性を探る。
  論文  参考訳（メタデータ） (2023-04-19T10:16:03Z)
• Evaluating Local Model-Agnostic Explanations of Learning to Rank Models with Decision Paths [0.0]
  学習からランクまでのモデルの局所的な説明は、モデルによって予測される1つのデータポイントのランキングに寄与する最も重要な特徴を抽出すると考えられている。 いずれの手法も、選択された類似度指標がAUCスコアまたはスピアマンのランク相関である場合に、許容できる説明精度を達成できないことを示す。
  論文  参考訳（メタデータ） (2022-03-04T13:11:31Z)

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。