論文の概要: Population-Level Generative Modeling for Ranking Data

• arxiv url: http://arxiv.org/abs/2608.08422v2
• Date: Tue, 11 Aug 2026 04:26:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 16:08:30.590433
• Title: Population-Level Generative Modeling for Ranking Data
• Title（参考訳）: ランキングデータの人口レベル生成モデル
• Abstract要約: ランキングデータは、リコメンデーションシステム、情報検索、投票、マーケティング、AIによる人間のフィードバックからの選好ランキングなど、科学的および機械学習のアプリケーションに現れる。 本稿では,集団レベルの生成モデル構築のためのフレームワークを提案する。 確率に基づくランキングモデルを用いて低次元の潜伏選好を推定し、フローマッチングを利用して潜伏選好の人口分布を学習し、適合した確率的ランキングモデルにより新しいランキングを生成する。
• 参考スコア（独自算出の注目度）: 0.5076419064097734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ranking data arise in scientific and machine learning applications, including recommendation systems, information retrieval, voting, marketing, and AI preference ranking from human feedback. Existing statistical work has primarily focused on inference tasks such as preference estimation, rank aggregation, and ranking prediction. However, generating realistic synthetic rankings from an observed population is important for privacy-preserving data sharing, benchmark construction, simulation, and uncertainty quantification. This task is challenging because rankings are high-dimensional combinatorial objects with non-Euclidean dependence structures, while ranking populations often exhibit substantial preference heterogeneity. We propose a framework for population-level generative modeling through a latent preference simplex embedding. It estimates a low-dimensional latent preference simplex through a likelihood-based ranking model, leverages flow matching to learn the population distribution of latent preferences, and generates new rankings through the fitted probabilistic ranking model. We show that ranking generation admits an oracle reduction to latent distribution learning and derive finite-sample generative guarantees that clarify how the number of items, ranking length, and latent dimension affect accuracy. Experiments on synthetic and real datasets demonstrate improved population-level fidelity and provide a statistically interpretable representation of preference heterogeneity.
• Abstract（参考訳）: ランキングデータは、リコメンデーションシステム、情報検索、投票、マーケティング、AIによる人間のフィードバックからの選好ランキングなど、科学的および機械学習のアプリケーションに現れる。 既存の統計研究は主に、選好推定、ランクアグリゲーション、ランキング予測といった推論タスクに焦点を当てている。 しかし、プライバシー保護データ共有、ベンチマーク構築、シミュレーション、不確実性定量化には、観測された人口からリアルな合成ランキングを生成することが重要である。 この課題は、ランク付けが非ユークリッド依存構造を持つ高次元組合せ対象であるのに対して、ランク付け人口は実質的な選好の不均一性を示すことが多いためである。 本稿では,集団レベルの生成モデル構築のためのフレームワークを提案する。 確率に基づくランキングモデルを用いて低次元の潜伏選好を推定し、フローマッチングを利用して潜伏選好の人口分布を学習し、適合した確率的ランキングモデルにより新しいランキングを生成する。 ランキング生成は、潜伏分布学習に対するオラクルの削減を認め、アイテム数、ランキング長、潜伏次元が精度に与える影響を明らかにする有限サンプル生成保証を導出することを示す。 人工データセットと実データセットの実験では、人口レベルの忠実度が改善され、統計的に解釈可能な嗜好の不均一性の表現を提供する。

関連論文リスト

• Response Time Enhances Alignment with Heterogeneous Preferences [49.69696266152175]
  簡易な二次信号で選好データセットを増大させることで、住民の平均選好の識別性を回復できることを示す。 私たちの結果は、将来的なデータ収集パイプラインに約束と新たな機会をもたらします。
  論文  参考訳（メタデータ） (2026-05-07T22:05:23Z)
• Reinforcement-Guided Synthetic Data Generation for Privacy-Sensitive Identity Recognition [60.52810518437911]
  高忠実度生成モデルは、プライバシーに敏感なシナリオでますます必要とされている。 限られたデータによって生成モデルは貧弱になり、データ不足を軽減できない。 汎用ドメイン生成の先行を識別タスクに適応させる,強化誘導型合成データ生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-09T06:52:03Z)
• Prompt-Dependent Ranking of Large Language Models with Uncertainty Quantification [9.99813918008511]
  我々は、ペアワイズな人選好の下で、プロンプト依存のランキング推定について検討する。 我々は統計的に妥当な不確実性保証を有する意思決定安全ランキングの枠組みを開発する。
  論文  参考訳（メタデータ） (2026-02-11T18:16:24Z)
• Improving Omics-Based Classification: The Role of Feature Selection and Synthetic Data Generation [0.18846515534317262]
  本研究では,特徴選択とデータ拡張技術を統合した機械学習に基づく分類フレームワークを提案する。 提案したパイプラインは、小さなデータセット上で、相互に検証されたパーフォマンスが得られることを示す。
  論文  参考訳（メタデータ） (2025-05-06T10:09:50Z)
• Fairness without Sensitive Attributes via Knowledge Sharing [13.141672574114597]
  本稿では,信頼度に基づく階層型分類手法であるReckonerを提案する。 実験の結果、ReckonerはCompASデータセットとNew Adultデータセットにおいて、最先端のベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-09-27T06:16:14Z)
• Sample Complexity of Preference-Based Nonparametric Off-Policy Evaluation with Deep Networks [58.469818546042696]
  我々は、OPEのサンプル効率を人間の好みで研究し、その統計的保証を確立する。 ReLUネットワークのサイズを適切に選択することにより、マルコフ決定過程において任意の低次元多様体構造を活用できることが示される。
  論文  参考訳（メタデータ） (2023-10-16T16:27:06Z)
• Causality and Independence Enhancement for Biased Node Classification [56.38828085943763]
  各種グラフニューラルネットワーク(GNN)に適用可能な新しい因果性・独立性向上(CIE)フレームワークを提案する。 提案手法は,ノード表現レベルでの因果的特徴と突発的特徴を推定し,突発的相関の影響を緩和する。 我々のアプローチCIEは、GNNの性能を大幅に向上するだけでなく、最先端の debiased ノード分類法よりも優れています。
  論文  参考訳（メタデータ） (2023-10-14T13:56:24Z)
• Robust Consensus in Ranking Data Analysis: Definitions, Properties and Computational Issues [2.867517731896504]
  本稿では,コンセンサスランク付けのための頑健性の概念と専用統計手法を紹介する。 本稿では、コンセンサスランキングに合わせた、一般的なブレークダウンポイントの概念の具体的な拡張を提案する。
  論文  参考訳（メタデータ） (2023-03-22T19:36:56Z)
• Copula-based transferable models for synthetic population generation [1.370096215615823]
  集団合成は、マイクロエージェントの標的集団の合成的かつ現実的な表現を生成することを含む。 従来の手法は、しばしばターゲットのサンプルに依存し、高いコストと小さなサンプルサイズのために制限に直面している。 本研究では,実験的辺縁分布のみが知られている対象個体群を対象とした合成データを生成するためのコプラに基づく新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-02-17T23:58:14Z)
• Representative & Fair Synthetic Data [68.8204255655161]
  公平性制約を自己監督学習プロセスに組み込むためのフレームワークを提示する。 私たちはuci成人国勢調査データセットの代表者および公正版を作成します。 我々は、代表的かつ公正な合成データを将来有望なビルディングブロックとみなし、歴史的世界ではなく、私たちが生きようとしている世界についてアルゴリズムを教える。
  論文  参考訳（メタデータ） (2021-04-07T09:19:46Z)
• Fast and Robust Rank Aggregation against Model Misspecification [105.54181634234266]
  ランクアグリゲーション(RA)では、異なるユーザからの好みのコレクションを、ユーザの同質性の仮定の下で総順にまとめる。 RAにおけるモデルの不特定は、複素実世界の状況において同質性の仮定が満たされないために生じる。 本稿では,モデル誤特定に対する堅牢性を有するCoarsenRankを提案する。
  論文  参考訳（メタデータ） (2019-05-29T11:35:28Z)

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。