DenoiseRank: 拡散モデルによるランキング学習

arXiv:2604.20852v1 Announce Type: cross Abstract: ランキング学習（LTR）は機械学習の主要なタスクの一つです。従来の LTR モデルは大きな進歩を成し遂げましたが、それらほぼすべては差別化の観点から実装されています。本稿では、この LTR を新たな観点、すなわち深い生成モデルによって解決することを目的としています。具体的には、拡散プロセスにおいて関連ラベルをノイズ化し、クエリドキュメント上で逆プロセスでデノイズ化することでその分布を正確に予測する、新しい DenoiseRank モデルを提案します。当モデルは、従来の LTR を生成の観点から解決する第一のものであり、LTR 用の拡散手法です。私たちがベンチマークデータセット上で行った大規模実験は、DenoiseRank の有効性を示しており、生成 LTR タスクのための基準となると考えています。

arXiv:2604.20852v1 Announce Type: cross Abstract: Learning to rank (LTR) is one of the core tasks in Machine Learning. Traditional LTR models have made great progress, but nearly all of them are implemented from discriminative perspective. In this paper, we aim at addressing LTR from a novel perspective, i.e., by a deep generative model. Specifically, we propose a novel denoise rank model, DenoiseRank, which noises the relevant labels in the diffusion process and denoises them on the query documents in the reverse process to accurately predict their distribution. Our model is the first to address traditional LTR from generative perspective and is a diffusion method for LTR. Our extensive experiments on benchmark datasets demonstrated the effectiveness of DenoiseRank, and we believe it provides a benchmark for generative LTR task.