SIGIRApr, 2022

采样加速排名学习：最小计算复杂度的 Plackett-Luce 梯度估计

PDF
TL;DR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。
plackett-luce gradient estimationstochastic ranking modelspl-rank-3 algorithmlearning-to-rankoptimization
发现论文，激发创造
  • 计算高效的 Plackett-Luce 排名模型优化 —— 针对相关性和公平性

    本文提出了一种名为 PL-Rank 的新算法，用于估计 PL 排名模型关于相关性和公平度量的梯度，相比现有的策略梯度方法，PL-Rank 的采样效率更高且计算成本更低，可以用于更真实、更公平的实际排名系统。

    May, 2021

  • 使用 Plackett-Luce 模型的单目深度估计通过列表排序

    本文提出了一种基于 Plackett-Luce（PL）模型和神经网络的排序深度预测算法，在零样本情况下对多个基准数据集进行了评估，相较于现有的排序和回归方法，表现出了更高的有效性。

    Oct, 2020

  • Plackett-Luce 分布的低方差黑盒梯度估计

    本文提出了一种使用控制变量的 Plackett-Luce 分布来进行离散潜在变量学习模型的随机梯度下降的方法， 能够在非可微、离散和连续数据的因果关系学习任务中胜过其他对比松弛优化方法。

    Nov, 2019

  • 贝叶斯混合 Plackett-Luce 模型用于部分排名数据

    本文提出了一种基于贝叶斯的 Plackett-Luce 混合模型用于分析部分排名数据中未被观测到的样本异质性。

    Jan, 2015

  • 部分排名下的极小最优推断

    本研究研究基于部分排名来推测全局偏好的问题，重点关注如何最优地为排名分配物品及数量，以达到目标估计误差，并提出了一种随机分配方案，实验证实了理论发现。

    Jun, 2014

  • 学习排序中的计算和统计权衡

    本文对于大规模和异构化的现代数据集中的信息排序问题提出了一种可靠性保证的机制，通过有序的信息刻画，充分利用计算资源进行高效程度排名的学习并在特定数据结构下进行了验证。

    Aug, 2016

  • 具有子集评价偏好的主动排名

    本研究旨在通过自适应挑选子集并收集偏好反馈，在 Plackett-Luce 模型下解决 PAC 排名问题，提出了新的 pivot trick 技巧，从而实现了在一定概率下识别 n 个项目的 ε- 最优排名，（m-1）/m 降低的样本复杂度和对称排名算法的阶无法提高的。

    Oct, 2018

  • 公平学习排序与无分布风险控制

    本文提出一种基于预训练打分函数的合成模型 FairLTR-RC, 其利用分布无关风险控制框架提供对用户指定效用的有限样本保证，并通过加入阈值 PL 模型实现效用和公平性之间的有效权衡，在多个基准数据集上证明可以显著提高广泛使用的确定性 LTR 模型的公平性同时确保指定水平的效用。

    Jun, 2023

  • 粗排名自适应采样

    研究了活动粗聚类排序的问题，提出了一种计算有效的 PAC 算法 LUCBRank，探讨了其样本复杂性的上限和下限，并在实验中发现 LUCBRank 比现有的基线方法表现更好。

    Feb, 2018

  • 学习 Plackett-Luce 模型的混合

    该研究论文探讨了有限的 Plackett-Luce 模型在排名数据中的可识别性和有效学习问题，提出了一种基于广义矩法的学习算法，并评估了其与其他算法的性能。

    Mar, 2016