- GotFunding: 基于科学文章的拨款推荐系统
“GotFunding” 是一个基于过去的资助记录的推荐系统，通过将问题视为排序学习，它分析了使预测有效的特征，并显示出排名考虑到了出版物和资助之间的年份差异、出版物提供的信息量以及出版物与资助的相关性。
- 用于排序治疗效果的元学习
通过学习排名的方法，我们提出了一种在预算约束下有效分配治疗的方法，并验证了其在合成和真实数据上的有效性。
- 基于图表示的学习排序芯片排列顺序探索
提出一种基于学习排序网络的芯片组件布置方法，通过优化放置顺序以降低芯片间互连线长度和系统温度，从而显著改善芯片组件布置过程中的性能。
- 通过可微优化有序加权平均值学习公平排名策略
学习排序（LTR）是最广泛使用的机器学习应用程序之一。本文展示了如何将有效可解的公平排序模型整合到 LTR 模型的训练循环中，以在公平性、用户效用和运行效率之间取得有利的平衡。特别是，本文首次展示了如何通过 OOW 目标的约束优化进行反向传 - SIGIRSortNet: 通过基于神经网络的排序算法学习排序
透过使用神经网络作为比较器的排序算法 SortNet，在 LETOR 数据集上展现出与其他先进算法相比具有潜力的性能。
- 学习排名短时表情识别中的起始 - 出现 - 结束表征
本论文针对微表情识别进行了研究，提出了一种灵活可靠的深度学习方法，即学习排序发生 - 出现 - 消失表示 (LTR3O)。LTR3O 方法引入了一种称为 3O 的动态且缩小尺寸的序列结构，用于表示微表情，该结构便于对微表情的判别特征进行学习 - 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 LT - ICLR深度排名集合用于超参数优化
利用集成的神经网络元学习方法来优化超参数排序，取得了超参数优化方面的最新最优结果。
- 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。
- CVPRUnimodal-Concentrated Loss: 用于序列回归的全自适应标签分布学习
通过三个原则，我们提出了一种全面自适应的标签分布学习方法，称为单峰浓缩损失方法，它使用学习排序策略获得单峰分布，并将估计误差和预测分布的方差集成到损失中，具有在年龄和头部姿态估计等回归任务上表现优越的结果。
- 高效学习排序的神经网络压缩模型
本研究介绍了一种将蒸馏、修剪和快速矩阵乘法相结合的方法，对于从回归树集合中学习的神经网络进行了评分时间的加速，在两个公共学习排名数据集上进行的全面实验表明，采用我们的新方法产生的神经网络在效率 - 效用平衡的任何点上与基于树的集合竞争对手具 - ACL图增强的学习排序用于查询大规模知识图谱
提出了一种基于子图分区的图增强学习排序模型，该模型整合了子图匹配网络和增强双边多角度匹配模型，用于知识图谱问答中的答案选择。在多个基准数据集上的实验结果表明，该方法具有很好的效果。
- ICCVRANK-NOSH: 基于预测器的高效架构搜索法 —— 非均匀重复折半算法
本文提出了一种利用 NOn-uniform Successive Halving 策略的 Predictor-based algorithms，通过提高搜索效率来减少架构训练的计算预算，并使用学习排序的方法来利用 NOn-uniform S - NeuralNDCG: 直接通过可微分的排序松弛优化排名指标
本文提出了一种 NeuralNDCG 算法作为一种新颖的不可区分且可微分的排序近似来解决传统 LTR 算法中优化目标与评估标准之间的矛盾，并且我们介绍了两种这种算法的变体，实证评估结果显示其性能优于之前针对优化 NDCG 的工作，并且与最先 - 从用户与排名的交互学习：该领域的统一
该论文研究利用用户点击来进行学习排序的方法及其相关领域，提出了一个框架来统一在线、反事实和监督学习，并将其统一成一种通用且有效的排序学习方法。
- 自监督排序用于表示学习
本文提出了一个新的自监督表征学习框架，将其作为图像检索环境中排名问题来进行，通过从图像中获取大量随机视图（增强）来解决此问题，该框架称为 S2R2。在 STL10 和 MS-COCO 上进行训练，S2R2 优于 SimCLR 和基于聚类的对 - ACL基于混合 BERT 和 LightGBM 模型的 Twitter 情感 GIF 类别预测
本文通过学习比赛的方式，提出一种基于 BERT 和 LightGBM 的学习排序框架，将推荐 GIF 类别作为一种匹配任务来解决，获得了平均精度 @6 (MAP@6) 为 0.5394 的第四名。
- SIGIR自我关注的上下文感知学习排名
提出了一种基于自注意力机制的上下文感知神经网络模型，用于学习商品的排序分数，在训练和推理阶段都考虑了列表中其他商品的交互作用，相较于多层感知机模型，取得了显著的性能提升，在排序学习基准 MSLR-WEB30K 上实现了新的最佳结果。
- 无偏学习排序：在线或离线？
本文通过对无偏学习进行形式化的定义，指出现有的离线无偏学习和在线排序学习算法只是同一问题的两个方面。研究人员进一步对 6 种现有的无偏学习算法进行了评估，并发现其中大部分算法都可以在离线和在线环境下使用，而且有一定的应用前景。
- 公平且无偏的排名函数的策略梯度训练
本文提出了一种能够同时解决学习算法固有的和训练数据中的算法和应用中置入偏见的公平性问题的排序方法，采用一类延迟策略梯度方法，即采用公平度量的代价函数，并针对所需的应用程序选择一类的 “平均公平度量” 选择公平度量，有效地使学习算法能够处理包