論文の概要: Stability in Competitive Search with Results Diversification
- arxiv url: http://arxiv.org/abs/2606.10053v1
- Date: Mon, 08 Jun 2026 18:27:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:37.957787
- Title: Stability in Competitive Search with Results Diversification
- Title（参考訳）: 結果の多様化による競合探索の安定性
- Authors: Itamar Reinman, Omer Madmon, Moshe Tennenholtz, Oren Kurland,
- Abstract要約: 本稿では,探索が多様化する競合探索環境のゲーム理論解析について述べる。
分析の結果,コーパスの多様性とコーパスの安定性の相違が明らかとなった。
次に,多角化に基づくランク関数を考案し,コーパス安定性が保証される新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 11.61959768050833
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In a competitive search setting, publishers strategically modify their documents in response to induced rankings so as to improve their future ranking. We present a novel game-theoretic analysis of a competitive search setting where search-results diversification is applied. Our analysis reveals an inherent tradeoff between corpus diversity and corpus stability, where the latter corresponds to an equilibrium in a game. We analyze two representative diversification methods and show that stability need not necessarily be reached, leaving the corpus to rapid changes due to ranking incentivized modifications of publishers. We then present a novel approach to devise diversification-based ranking functions that are guaranteed to lead to corpus stability.
- Abstract（参考訳）: 競合する検索環境では、パブリッシャーは、将来のランキングを改善するために、誘導されたランキングに対応するために、文書を戦略的に修正する。
本稿では,探索が多様化する競合探索環境のゲーム理論解析について述べる。
分析の結果,コーパスの多様性とコーパスの安定性の相違が明らかとなった。
我々は2つの代表的多様化手法を分析し、安定性が必ずしも到達する必要はないことを示し、コーパスは出版社のインセンティブ付き変更による急激な変化に残されている。
次に,多角化に基づくランク関数を考案し,コーパス安定性が保証される新しい手法を提案する。
関連論文リスト
- The Attention Market: Interpreting Online Fair Re-ranking as Manifold Optimization under Walrasian Equilibrium [63.76805218520176]
我々は、Walrasian Equilibriumが管理する注目市場枠組みの中で、公正な順位を再設定する。
オンラインフェアリグレードアルゴリズムであるManifoldRankを提案する。
論文 参考訳（メタデータ） (2026-04-28T12:43:57Z) - CoSearch: Joint Training of Reasoning and Document Ranking via Reinforcement Learning for Agentic Search [51.911048955965136]
CoSearchは多段階推論エージェントと生成ドキュメントランキングモデルを共同でトレーニングするフレームワークである。
この結果から, 推論エージェントと検索システムの協調訓練は, 実現可能であり, 性能も高いことが示唆された。
論文 参考訳（メタデータ） (2026-04-19T17:48:17Z) - Search results diversification in competitive search [11.398498369228571]
結果の多様性の側面を統合するランキング関数について検討する。
多様性に基づくランク付けと競合する検索設定は平衡であることを示す。
論文 参考訳（メタデータ） (2025-01-24T21:13:45Z) - Putting Gale & Shapley to Work: Guaranteeing Stability Through Learning [14.448192914855674]
両面のマッチング市場は、市場の片側からの参加者が好みに応じて反対側からの参加者と一致しなければならない、一連の問題を記述している。
我々は安定解の構造を利用して、安定解を見つける可能性を改善するアルゴリズムを考案する。
論文 参考訳（メタデータ） (2024-10-06T06:47:53Z) - The Search for Stability: Learning Dynamics of Strategic Publishers with Initial Documents [9.08198510616929]
本稿では,戦略出版社が検索エンジンで最初にランク付けされる確率を最大化するゲーム理論情報検索モデルについて検討する。
一般に使用されている確率ランク付け原理(PRP)ランキングスキームは,ゲームが純粋なナッシュ均衡に達するのにしばしば失敗する不安定な環境をもたらすことを示す。
論文 参考訳（メタデータ） (2023-05-26T07:31:30Z) - Learn to Match with No Regret: Reinforcement Learning in Markov Matching
Markets [151.03738099494765]
我々は、市場の両側でプランナーと戦略エージェントのセットを含むマルコフマッチング市場について検討する。
本稿では,楽観的な値反復と最大重みマッチングを組み合わせた強化学習フレームワークを提案する。
我々は,アルゴリズムがサブ線形後悔を実現することを証明した。
論文 参考訳（メタデータ） (2022-03-07T19:51:25Z) - Learning Equilibria in Matching Markets from Bandit Feedback [139.29934476625488]
不確実性の下で安定した市場成果を学習するためのフレームワークとアルゴリズムを開発する。
私たちの研究は、大規模なデータ駆動の市場において、いつ、どのように安定したマッチングが生じるかを明らかにするための第一歩を踏み出します。
論文 参考訳（メタデータ） (2021-08-19T17:59:28Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-15T10:08:39Z)
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。