論文の概要: Bias Robustness of Genetic Multi-Criteria Sorting versus Learned Rankers under Proxy Skew and Label Contamination

• arxiv url: http://arxiv.org/abs/2610.14015v1
• Date: Tue, 29 Sep 2026 09:14:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 21:02:54.46533
• Title: Bias Robustness of Genetic Multi-Criteria Sorting versus Learned Rankers under Proxy Skew and Label Contamination
• Title（参考訳）: 遺伝性多系統ソーティングの病原性スキューおよびラベル汚染下での学習者に対するバイアスロバスト性
• Abstract要約: 学習からランクまでのモデルは、それらの信号が特徴として現れるときや、トレーニングラベルに漏れるとき、ランク付けを未指定の信号と整合させることができる。 明確な基準ベクトルCを用いて固定候補プールを再現したラベルフリーな遺伝的多基準ソート(オープンピカイア戦略変種)を比較した。 メインプロキシスキューでは、キャリブレーションされたプロキシPが機能として利用できる間、ラベルはクリーンのままである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning-to-rank (LTR) models can align rankings with undesignated signals when those signals appear as features or leak into training labels. We compare label-free genetic multi-criteria sorting (open Pikaia strategy variants), which reranks fixed candidate pools using an explicit criteria vector C, to label-trained LTR (LightGBM, XGBoost, RankSVM) under two controlled protocols on MSLR-WEB10K, Baidu-ULTR, WANDS, and Expedia. In the main proxy-skew study, labels remain clean while a calibrated proxy P is available as a feature: Genetic AI rankings show lower Spearman rank-proxy correlation than the LTR peers (e.g. about 0.15-0.16 vs. 0.59-0.87 on WANDS), with both families evaluated jointly on clean nDCG@10 on a bias-utility frontier. In a supporting label-contamination study, training labels are mixed with contaminant B: because Genetic AI methods do not use labels, their bias and utility curves stay flat, whereas LightGBM and XGBoost increase rank-B correlation as contamination rises (OLS bias_slope about 0.58-0.65 on WANDS/Baidu). The results support genetic sorting as an architectural option for optimizing declared attributes on a fixed pool when undesignated proxies or label contaminants must be refused.
• Abstract（参考訳）: ラーニング・トゥ・ランク(Learning-to-rank、LTR)モデルでは、これらの信号が特徴として現れるか、トレーニングラベルにリークした場合、ランク付けを未指定の信号と整合させることができる。 ラベルなしの遺伝的多基準ソート(オープンピカイア戦略変種)を,MSLR-WEB10K,Baidu-ULTR,WADS,Expediaの2つの制御プロトコルの下でラベル付きLTR(LightGBM, XGBoost, RankSVM)と比較した。 遺伝的AIランキングは、LTRピアよりもスピアマンランクとプロキシの相関が低い(例えば、WADSでは0.15-0.16対0.59-0.87)。 一方、LightGBMとXGBoostは汚染が増加するにつれてランク-B相関を増大させる(OLS bias_slope about 0.58-0.65 on WANDS/Baidu)。 この結果は、未指定のプロキシやラベル汚染物質を拒絶しなければならない場合に、固定プール上の宣言された属性を最適化するためのアーキテクチャオプションとして、遺伝的ソートをサポートする。

関連論文リスト

• Rubric-Calibrated Preferences: Cross-Query Calibration of LLM Judgments via Item Response Theory [12.433667036452265]
  リランカー同士が品質面で接近するにつれ、これらのラベルのnDCGは分離に失敗する傾向にある。 1つのクエリ内の相対的な判断は、クローズドな候補を区別するが、そのスコアはクエリ間でスケールを共有しない。 RCPの検索基準であるRCP-nDCGは、nDCGの離散ラベルを関連性確率に置き換える。
  論文  参考訳（メタデータ） (2026-09-28T17:54:16Z)
• Label-Free Foundational Model Selection for Medical Image Classification under Distribution Shift via Pseudo Label Discrepancy [3.0016442487726884]
  そこで本稿では,SUDOをベースとしたラベルなし選択基準を提案する。 AURCCは胸部X線分類における様々な視覚言語モデルのランク付けに利用できることを示す。
  論文  参考訳（メタデータ） (2026-08-26T13:56:29Z)
• From Theory to Decision Rule: Calibrating the Noisy-Label Crossover for Vision-Language Model Weak Supervision Across Three Medical-Imaging Benchmarks [41.99844472131922]
  基礎モデル弱いラベルに対するベンチマークキャリブレーションを提供する。 理論によって予測される交差は、PCAMではng100、ISICでは20-50、NIH-CXRでは250-500である。 NIH-CXR上の構造付きvs-ランダムノイズ符号フリップは、境界のレートのみの定式化が不完全であることを示す。
  論文  参考訳（メタデータ） (2026-05-23T23:15:07Z)
• Calibratable Disambiguation Loss for Multi-Instance Partial-Label Learning [53.9713678229744]
  MIPL(Multi-instance partial-label Learning)は、インスタンス空間とラベル空間の両方において、不正確な監督の課題に対処する弱い教師付きフレームワークである。 既存のMIPLアプローチは、しばしばキャリブレーションが悪く、信頼性を損なう。 分類精度と校正性能を同時に向上するプラグアンドプレイ校正型曖昧さ損失(CDL)を提案する。
  論文  参考訳（メタデータ） (2025-12-19T16:58:31Z)
• Bipartite Ranking From Multiple Labels: On Loss Versus Label Aggregation [66.28528968249255]
  両部ランク付けは基本的な教師付き学習問題であり、単一のバイナリターゲットラベルに対して最大範囲(ROC曲線)を持つインスタンスのランク付けを学習することを目的としている。 このようなラベルを1つのコヒーレントなランキングにどうやって合成できるのか? 本研究では,ベイズ最適解を特徴付けることにより,損失集約とラベル集約という2つの手法を解析する。
  論文  参考訳（メタデータ） (2025-04-15T15:25:27Z)
• Generating Unbiased Pseudo-labels via a Theoretically Guaranteed Chebyshev Constraint to Unify Semi-supervised Classification and Regression [57.17120203327993]
  分類におけるしきい値と擬似ラベルプロセス(T2L)は、ラベルの品質を決定するために信頼性を使用する。 本質的には、レグレッションは高品質なラベルを生成するためにバイアスのない方法も必要である。 チェビシェフの不等式に基づく不偏ラベルを生成するための理論的に保証された制約を提案する。
  論文  参考訳（メタデータ） (2023-11-03T08:39:35Z)
• Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
  本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。 擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
  論文  参考訳（メタデータ） (2023-03-27T07:46:58Z)
• How Does Pseudo-Labeling Affect the Generalization Error of the Semi-Supervised Gibbs Algorithm? [73.80001705134147]
  擬似ラベル付き半教師付き学習(SSL)におけるGibsアルゴリズムによる予測一般化誤差(ゲンエラー)を正確に評価する。 ゲンエラーは、出力仮説、擬ラベルデータセット、ラベル付きデータセットの間の対称性付きKL情報によって表現される。
  論文  参考訳（メタデータ） (2022-10-15T04:11:56Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Optimizing Diffusion Rate and Label Reliability in a Graph-Based Semi-supervised Classifier [2.4366811507669124]
  Local and Global Consistency (LGC)アルゴリズムは、グラフベースの半教師付き半教師付き(GSSL)分類器の1つである。 ラベル付きインスタンスの自己影響を取り除くことは、どのように有用か、そして、それがアウト・ワン・アウトエラーにどのように関係するかについて議論する。 本研究では,ラベルの信頼性と拡散率を推定する手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T16:58:52Z)

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。