論文の概要: Hierarchical Partial-Order Models for Ranking

• arxiv url: http://arxiv.org/abs/2606.25062v1
• Date: Tue, 23 Jun 2026 18:17:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.114767
• Title: Hierarchical Partial-Order Models for Ranking
• Title（参考訳）: ランク付けのための階層的部分順序モデル
• Authors: Dongqing Li, Geoff K. Nicholls, Jeong Eun Lee, Chuxuan, Jiang,
• Abstract要約: 階層的部分順序 (HPO) モデルを導入する。 我々は,HPOモデルとHCPOモデルが,予測性能と構造的解釈可能性の両方において既存手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 10.847184774623935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rank aggregation combines information from ordered lists ranking items by preference. Classical parametric models for such data, including the Mallows and Plackett-Luce models, assume the orders concentrate around one or more complete consensus rankings. Recent work relaxes the total-order assumption by allowing the consensus structure to be a partial order (poset), allowing for incomparabilities in preferences. However, in many applications preference data exhibit group structure. We introduce hierarchical partial order (HPO) models, which extend poset-based models to accommodate grouped data through a hierarchy of latent posets. This framework, which parallels mixture model extensions of the Mallows and Plackett-Luce models, enables principled sharing of information across groups while preserving partial-order structure. We show that the Plackett-Luce model and its hierarchical variants are special cases of HPO-models. We develop a hierarchical clustering extension (HCPO) for unsupervised clustering in settings where group labels are unknown. Bayesian inference for the latent poset hierarchy is performed using Markov chain Monte Carlo methods. Experiments on synthetic and real-world datasets, including pairwise acoustic preference data and LLM agent traces, demonstrate that the proposed HPO and HCPO models outperform existing approaches in both predictive performance and structural interpretability.
• Abstract（参考訳）: ランキングアグリゲーションは、注文されたリストからの情報を好みで組み合わせる。 そのようなデータに対する古典的なパラメトリックモデルは、Mallows と Plackett-Luce モデルを含み、注文は1つ以上の完全なコンセンサスランキングに集中していると仮定する。 最近の研究は、コンセンサス構造を部分順序 (poset) にすることで全順序仮定を緩和し、選好の不整合を可能にする。 しかし、多くのアプリケーションにおいて、好みデータはグループ構造を示す。 階層的部分順序(HPO)モデルを導入し、ポーズベースのモデルを拡張し、潜在ポーズの階層を通してグループ化されたデータに対応する。 このフレームワークは、Mallows と Plackett-Luce モデルの混合モデル拡張を並列にし、部分順序構造を保ちながら、グループ間での情報共有の原則的共有を可能にする。 我々は、Pockett-Luceモデルとその階層的変種がHPO-モデルの特別な場合であることを示す。 グループラベルが不明な環境で、教師なしクラスタリングのための階層クラスタリング拡張(HCPO)を開発する。 潜在ポゼット階層に対するベイズ推定はマルコフ連鎖モンテカルロ法を用いて行われる。 合成および実世界のデータセット(ペアワイズ音響嗜好データとLLMエージェントトレースを含む)の実験は、提案したHPOとHCPOモデルが予測性能と構造的解釈可能性の両方において既存のアプローチより優れていることを示した。

関連論文リスト

• Cluster-R1: Large Reasoning Models Are Instruction-following Clustering Agents [81.79110139097297]
  汎用埋め込みモデルは意味的類似性を認識するのに優れているが、ユーザ命令で指定されたテキストの特徴を捉えることができない。 我々は、命令追従クラスタリングを生成タスクとして再編成し、大規模推論モデルを自律的なクラスタリングエージェントとして訓練する。 我々の推論駆動学習パイプラインは、LEMがハイレベルクラスタリング命令を解釈し、対応する潜在グループを推測することを可能にする。
  論文  参考訳（メタデータ） (2026-03-06T10:15:54Z)
• Evaluating Embedding Generalization: How LLMs, LoRA, and SLERP Shape Representational Geometry [0.0]
  本研究では,SLERPモデルがタスク固有適応によって導入された超特殊化を緩和する程度について検討する。 モデルの4つのファミリを比較する: ゼロから訓練された非LLMエンコーダ、パラメータ係数法(LoRA)に適応したLLMベースのエンコーダ、LoRAを用いたLLMベースのエンコーダ、ベースウェイトにマージしたモデルスープ、および同じLoRA適応LLMはチェックポイントやステージをまたいだSLERPを用いてマージされる。
  論文  参考訳（メタデータ） (2025-11-16T17:28:06Z)
• LimiX: Unleashing Structured-Data Modeling Capability for Generalist Intelligence [61.46575527504109]
  LimiX-16MとLimiX-2Mは、構造化されたデータを変数と欠落に対する共同分布として扱う。 サンプルサイズ,特徴次元,クラス数,カテゴリ間特徴比,欠落度,サンプル-特徴比の広い11種類の大規模構造化データベンチマークを対象としたLimiXモデルの評価を行った。
  論文  参考訳（メタデータ） (2025-09-03T17:39:08Z)
• HERCULES: Hierarchical Embedding-based Recursive Clustering Using LLMs for Efficient Summarization [0.0]
  HERCULESは、多様なデータ型の階層的なk平均クラスタリングのために設計されたアルゴリズムとPythonパッケージである。 階層のそれぞれのレベルでクラスタのセマンティックにリッチなタイトルと記述を生成する。 インタラクティブな可視化ツールは、クラスタリング結果の徹底的な分析と理解を容易にする。
  論文  参考訳（メタデータ） (2025-06-24T20:22:00Z)
• Model-GLUE: Democratized LLM Scaling for A Large Model Zoo in the Wild [84.57103623507082]
  本稿では,全体論的な大規模言語モデルスケーリングガイドラインであるModel-GLUEを紹介する。 既存のスケーリングテクニック,特に選択的マージ,および混合の変種をベンチマークする。 次に、異種モデル動物園の選択と集約のための最適な戦略を定式化する。 我々の手法は、マージ可能なモデルのクラスタリング、最適なマージ戦略選択、クラスタの統合を含む。
  論文  参考訳（メタデータ） (2024-10-07T15:55:55Z)
• Statistical Models of Top-$k$ Partial Orders [7.121002367542985]
  我々は、トップ$k$部分順序とリスト長$k$に対する分布を共同でモデル化するためのアプローチを導入し、分類する。 サンフランシスコの学校選別とサンフランシスコの選別選別選別選別選別選別選別選別選別によるデータを用いて、モデルが観測されたデータをどのように予測するかを評価する。
  論文  参考訳（メタデータ） (2024-06-22T17:04:24Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• Generating Hierarchical Explanations on Text Classification Without Connecting Rules [14.624434065904232]
  我々は、接続ルールが、モデル決定プロセスを忠実に反映する能力を損なう可能性があると主張している。 接続ルールを使わずに階層的説明を生成することを提案し,階層的クラスタを生成するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T14:11:23Z)

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。