Buchumschlag

Estimating the Hessian Matrix of Ranking Objectives for Stochastic Learning to Rank with Gradient Boosted Trees

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kang, Jingwei, de Rijke, Maarten, Oosterhuis, Harrie
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Information Retrieval
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Proximal Ranking Policy Optimization for Practical Safety in Counterfactual Learning to Rank
von: Gupta, Shashank, et al.
Veröffentlicht: (2024)

Practical and Robust Safety Guarantees for Advanced Counterfactual Learning to Rank
von: Gupta, Shashank, et al.
Veröffentlicht: (2024)

Learning to Rank with Variable Result Presentation Lengths
von: Knyazev, Norman, et al.
Veröffentlicht: (2025)

Optimal Baseline Corrections for Off-Policy Contextual Bandits
von: Gupta, Shashank, et al.
Veröffentlicht: (2024)

Following the Eye-Tracking Evidence: Established Web-Search Assumptions Fail in Carousel Interfaces
von: Kang, Jingwei, et al.
Veröffentlicht: (2026)

Rethinking Click Models in Light of Carousel Interfaces: Theory-Based Categorization and Design of Click Models
von: Kang, Jingwei, et al.
Veröffentlicht: (2025)

A First Look at Selection Bias in Preference Elicitation for Recommendation
von: Gupta, Shashank, et al.
Veröffentlicht: (2024)

Unidentified and Confounded? Understanding Two-Tower Models for Unbiased Learning to Rank
von: Hager, Philipp, et al.
Veröffentlicht: (2025)

Is Interpretable Machine Learning Effective at Feature Selection for Neural Learning-to-Rank?
von: Lyu, Lijun, et al.
Veröffentlicht: (2024)

Reliable Confidence Intervals for Information Retrieval Evaluation Using Generative A.I
von: Oosterhuis, Harrie, et al.
Veröffentlicht: (2024)

Going Beyond Popularity and Positivity Bias: Correcting for Multifactorial Bias in Recommender Systems
von: Huang, Jin, et al.
Veröffentlicht: (2024)

Metric-agnostic Learning-to-Rank via Boosting and Rank Approximation
von: Gomez, Camilo, et al.
Veröffentlicht: (2026)

Optimizing Compound Retrieval Systems
von: Oosterhuis, Harrie, et al.
Veröffentlicht: (2025)

A Non-Parametric Choice Model That Learns How Users Choose Between Recommended Options
von: Krause, Thorsten, et al.
Veröffentlicht: (2025)

Adaptive Orchestration of Modular Generative Information Access Systems
von: Hoveyda, Mohanna, et al.
Veröffentlicht: (2025)

Multi-granular Adversarial Attacks against Black-box Neural Ranking Models
von: Liu, Yu-An, et al.
Veröffentlicht: (2024)

RankingSHAP -- Listwise Feature Attribution Explanations for Ranking Models
von: Heuss, Maria, et al.
Veröffentlicht: (2024)

Towards Two-Stage Counterfactual Learning to Rank
von: Gupta, Shashank, et al.
Veröffentlicht: (2025)

RecGaze: The First Eye Tracking and User Interaction Dataset for Carousel Interfaces
von: de Leon-Martinez, Santiago, et al.
Veröffentlicht: (2025)

Ranked List Truncation for Large Language Model-based Re-Ranking
von: Meng, Chuan, et al.
Veröffentlicht: (2024)

CaliCausalRank: Calibrated Multi-Objective Ad Ranking with Robust Counterfactual Utility Optimization
von: Yang, Xikai, et al.
Veröffentlicht: (2026)

Contrastive Learning for Diversity-Aware Product Recommendations in Retail
von: Karlis, Vasileios, et al.
Veröffentlicht: (2026)

Unidentified and Confounded? Understanding Two-Tower Models for Unbiased Learning to Rank (Extended Abstract)
von: Hager, Philipp, et al.
Veröffentlicht: (2025)

Harnessing Pairwise Ranking Prompting Through Sample-Efficient Ranking Distillation
von: Wu, Junru, et al.
Veröffentlicht: (2025)

RewardRank: Optimizing True Learning-to-Rank Utility
von: Bhatt, Gaurav, et al.
Veröffentlicht: (2025)

Efficient and Effective Query Context-Aware Learning-to-Rank Model for Sequential Recommendation
von: Dzhoha, Andrii, et al.
Veröffentlicht: (2025)

Consolidating Ranking and Relevance Predictions of Large Language Models through Post-Processing
von: Yan, Le, et al.
Veröffentlicht: (2024)

RankSHAP: Shapley Value Based Feature Attributions for Learning to Rank
von: Chowdhury, Tanya, et al.
Veröffentlicht: (2024)

Understanding and Scaling Collaborative Filtering Optimization from the Perspective of Matrix Rank
von: Loveland, Donald, et al.
Veröffentlicht: (2024)

A Design Space for Explainable Ranking and Ranking Models
von: Hazwani, I. Al, et al.
Veröffentlicht: (2022)

Learning Cascade Ranking as One Network
von: Wang, Yunli, et al.
Veröffentlicht: (2025)

The Impact of Group Membership Bias on the Quality and Fairness of Exposure in Ranking
von: Vardasbi, Ali, et al.
Veröffentlicht: (2023)

CLAX: Fast and Flexible Neural Click Models in JAX
von: Hager, Philipp, et al.
Veröffentlicht: (2025)

Inference-time Stochastic Ranking with Risk Control
von: Guo, Ruocheng, et al.
Veröffentlicht: (2023)

Efficient Pointwise-Pairwise Learning-to-Rank for News Recommendation
von: Kannen, Nithish, et al.
Veröffentlicht: (2024)

Localization Boosting for Growth Markets: Mitigating Cross-Locale Behavioral Bias in Learning-to-Rank
von: Seran, Suryaa Veerabathiran, et al.
Veröffentlicht: (2026)

Unlearning for Federated Online Learning to Rank: A Reproducibility Study
von: Tao, Yiling, et al.
Veröffentlicht: (2025)

Continual Low-Rank Adapters for LLM-based Generative Recommender Systems
von: Yoo, Hyunsik, et al.
Veröffentlicht: (2025)

Scalable In-context Ranking with Generative Models
von: Gupta, Nilesh, et al.
Veröffentlicht: (2025)

Correcting for Position Bias in Learning to Rank: A Control Function Approach
von: Islam, Md Aminul, et al.
Veröffentlicht: (2025)