May, 2023

将利用列表法排序与基于对比法的图像 - 文本检索相融合

PDF
TL;DR本文提出了在传统基于成对注释的图像 - 文本检索（ITR）中，集成列表式排名以提高检索性能和提供更用户友好的检索结果的方法。具体而言，该方法采用 Relevance Score Calculation（RSC）模块计算整个排名列表的相关分数，并选择标准化折现累积增益（NDCG）作为优化目标，将不可微分的 NDCG 转化为可微分的列表式损失 ——Smooth-NDCG（S-NDCG）。实验表明，该列表式排序方法可以插入并成为现有成对注释的 ITR 模型的一部分，提高了现有 ITR 模型的性能。
image-text retrievalrankingpairwise losseslistwise rankingrelevance score calculation
发现论文，激发创造
  • 基于排名增强的列表优化在统计机器翻译中的应用

    该研究提出了一种面向结构预测问题的列表学习框架，通过直接对整个翻译列表进行建模，学习可以更好地适应给定列表样本的参数，并提出了更加敏感于排名错误的顶级增强列表损失函数。研究结果表明，该列表学习框架和顶级增强列表损失函数均可以显著提高翻译质量。

    Jul, 2017

  • 提高多标签图像分类的成对排名

    本研究提出两种技术来改进基于成对排名的多标签图像分类：（1）我们提出了一种新的损失函数，平滑且容易优化；（2）我们将标签决策模块纳入模型，估算每个视觉概念的最优置信阈值。我们在三个大规模数据集（VOC2007、NUS-WIDE 和 MS-COCO）上展示了我们方法的有效性，并取得了文献中报道的最佳结果。

    Apr, 2017

  • 可学习的基于支柱的图像 - 文本重排序

    本文提出了一种新的可学习的基于框架的重新排序范式，该范式可以捕捉图片和文本之间的邻居关系，提高单模态检索任务的性能。实验结果表明，该范例具有很好的鲁棒性和推广性能力，并且可以在不同的基础模型上取得很好的效果。

    Apr, 2023

  • 文本引导的图像检索的排名感知不确定性

    提出了一种新颖的基于排名感知的不确定性方法，通过使用提供的三元组来建模多对多的对应关系，学习特征的随机排名列表，并对源输入和目标图像的分布表示进行分布规范化，从而在组合图像检索的两个公共数据集上取得了显著的结果。

    Aug, 2023

  • 用平均精度学习：使用整体损失来训练图像检索

    本研究借助最近的榜单损失函数理论和实践证明，通过直接优化全局平均精度，提出了一个图像检索模型，消除了现有模型所需的工程努力和基于工具性方法的需求，并在许多标准检索基准测试中建立了新的基准。

    Jun, 2019

  • 多模态数据集精炼的低秩相似性挖掘

    提出了一种用于多模态数据集精简的低秩相似度挖掘（LoRS）方法，通过同时挖掘图像 - 文本对中的准确相似度矩阵，并利用低秩因式分解实现高效和可伸缩性，在现有算法上取得了显著的改进，对于视觉语言数据集精简领域做出了重要贡献。

    Jun, 2024

  • RankFormer：采用列表标签的列表排序学习

    提出使用 RankFormer 架构来从用户的绝对反馈中学习列表的总体质量并优化排序，模拟的公共数据集与 Amazon 搜索数据集的离线实验结果表明 RankFormer 优于所有基线；通过知识蒸馏可立即在在线实验中使用

    Jun, 2023

  • 基于 Pareto 双向排序的推荐系统公平性增强

    本文提出了一种新的学习排序算法 Pareto Pairwise Ranking，该算法不仅在技术准确度方面表现出色，而且在公平性方面是目前 9 种现行算法中最公平的算法。

    Dec, 2022

  • 神经网络的逐对学习排名再探：重构、理论分析和实际表现

    本文利用一种基于神经网络的成对学习排序方法，即 DirectRanker，展示了它在 RankNet 架构上的泛化能力。经过数学证明，我们的模型具有自反性、反对称性和传递性，从而实现了简化训练和提高的性能。在 LETOR MSLR-WEB10K、MQ2007 和 MQ2008 数据集上的实验结果表明，我们的模型在结构上固有的简单性和仅使用成对方法的情况下优于许多最先进的方法。

    Sep, 2019

  • 交叉成对排名用于无偏物品推荐

    本文提出了一个名为交叉成对排序（CPR）的新学习范式，它在不了解暴露机制的情况下实现了无偏推荐，相比现有的去偏方法具有更好的模型泛化和训练效率。

    Apr, 2022