学习排序中的计算和统计权衡
本文提供了最优的排名破坏估计器,通过处理按拓扑结构不同对待两两比较来实现准确和一致的估计,并确定了精度与复杂度之间的基本权衡以及精度如何取决于相应比较图的谱间隙。
Jan, 2016
本文介绍 PL-Rank-3 算法,该算法具有可比较于最佳排序算法的计算复杂度,并且可以在任何标准排序可行的情况下应用于学习排序领域。该算法能够通过无偏梯度估计提高优化时间,而不损失性能。
Apr, 2022
本文提出了一种利用随机排序策略来进行公平学习及考虑排序项影响的通用 LTR 框架,并通过基于政策梯度方法的 Fair-PG-Rank 算法进行优化,可在保持曝光公平性的情况下优化各种效用指标。通过实验结果验证了此方法在个人和集体公平性方面的有效性。
Feb, 2019
提出了一种新的基于批处理的排名估算器和平滑的排名敏感损失函数的个性化排名框架,该框架比先前的工作具有更稳定和准确的排名近似,并且可以通过显式使用并行计算来加速训练,在三个物品推荐任务上取得一致的准确性改进和时间效率优势。
Nov, 2017
在线学习排序的领域,Bayesian ranking bandit algorithms 已被证明可以使用先前的知识来提高效能。本文提出并分析了自适应的算法,解决了现有工作需要匹配真实先验的主要局限性,并将这些结果扩展到线性和广义线性模型。此外,我们还考虑点击反馈措施,并通过合成和现实世界实验证明了我们算法的有效性。
Jan, 2023
使用图 Helmholtzian 和组合 Hodge 理论,基于边缘流的成对排名可以解析为两个正交成分,其中一个表示 L2 最优全局排名,而另一个表示无旋转流,同时还可以通过线性最小二乘回归计算离散的 Hodge 分解。
Nov, 2008
本论文探讨了不完整排序数据以及基于 Plackett-Luce 分布的完整排序数据下的各种排序方法的表现,提出了考虑等级相关粗化的概念,并研究了当样本大小趋近于无穷大时,是否存在偏差导致恢复目标排序的一致性问题。
Dec, 2017