Buchumschlag

Unlearning for Federated Online Learning to Rank: A Reproducibility Study

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tao, Yiling, Wang, Shuyi, Yang, Jiaxi, Zuccon, Guido
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Information Retrieval Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

How to Forget Clients in Federated Online Learning to Rank?
von: Wang, Shuyi, et al.
Veröffentlicht: (2024)

Pseudo Relevance Feedback is Enough to Close the Gap Between Small and Large Dense Retrieval Models
von: Li, Hang, et al.
Veröffentlicht: (2025)

A Reproducibility Study of Goldilocks: Just-Right Tuning of BERT for TAR
von: Mao, Xinyu, et al.
Veröffentlicht: (2024)

LLM-VPRF: Large Language Model Based Vector Pseudo Relevance Feedback
von: Li, Hang, et al.
Veröffentlicht: (2025)

Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study
von: Niu, Zechun, et al.
Veröffentlicht: (2024)

Vertical Semi-Federated Learning for Efficient Online Advertising
von: Li, Wenjie, et al.
Veröffentlicht: (2022)

Pre-training vs. Fine-tuning: A Reproducibility Study on Dense Retrieval Knowledge Acquisition
von: Yao, Zheng, et al.
Veröffentlicht: (2025)

Beyond GeneGPT: A Multi-Agent Architecture with Open-Source LLMs for Enhanced Genomic Question Answering
von: Chen, Haodong, et al.
Veröffentlicht: (2025)

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

Effective and secure federated online learning to rank
von: Wang, Shuyi
Veröffentlicht: (2024)

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

Leveraging LLMs for Unsupervised Dense Retriever Ranking
von: Khramtsova, Ekaterina, et al.
Veröffentlicht: (2024)

Low-Rank Online Dynamic Assortment with Dual Contextual Information
von: Lee, Seong Jin, et al.
Veröffentlicht: (2024)

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

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

From Top-1 to Top-K: A Reproducibility Study and Benchmarking of Counterfactual Explanations for Recommender Systems
von: Nguyen, Quang-Huy, et al.
Veröffentlicht: (2026)

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

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

DeepMTL2R: A Library for Deep Multi-task Learning to Rank
von: Dong, Chaosheng, et al.
Veröffentlicht: (2026)

Estimating the Hessian Matrix of Ranking Objectives for Stochastic Learning to Rank with Gradient Boosted Trees
von: Kang, Jingwei, et al.
Veröffentlicht: (2024)

RankGraph: Unified Heterogeneous Graph Learning for Cross-Domain Recommendation
von: Wu, Renzhi, et al.
Veröffentlicht: (2025)

Better Generalization with Semantic IDs: A Case Study in Ranking for Recommendations
von: Singh, Anima, et al.
Veröffentlicht: (2023)

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

A Self-boosted Framework for Calibrated Ranking
von: Zhang, Shunyu, et al.
Veröffentlicht: (2024)

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

Enhancing Travel Decision-Making: A Contrastive Learning Approach for Personalized Review Rankings in Accommodations
von: Igebaria, Reda, et al.
Veröffentlicht: (2024)

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

CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence
von: Chen, Chaochao, et al.
Veröffentlicht: (2024)

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

Online Learning for Recommendations at Grubhub
von: Egg, Alex
Veröffentlicht: (2021)

Bridging the Gap: Unpacking the Hidden Challenges in Knowledge Distillation for Online Ranking Systems
von: Khani, Nikhil, et al.
Veröffentlicht: (2024)

Practical and Robust Safety Guarantees for Advanced Counterfactual Learning to Rank
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)

A Setwise Approach for Effective and Highly Efficient Zero-shot Ranking with Large Language Models
von: Zhuang, Shengyao, et al.
Veröffentlicht: (2023)

Do Not Wait: Learning Re-Ranking Model Without User Feedback At Serving Time in E-Commerce
von: Wang, Yuan, et al.
Veröffentlicht: (2024)

Multi-task Offline Reinforcement Learning for Online Advertising in Recommender Systems
von: Liu, Langming, et al.
Veröffentlicht: (2025)

FedDCSR: Federated Cross-domain Sequential Recommendation via Disentangled Representation Learning
von: Zhang, Hongyu, et al.
Veröffentlicht: (2023)

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

From Authors to Reviewers: Leveraging Rankings to Improve Peer Review
von: Wang, Weichen, et al.
Veröffentlicht: (2025)

Linear-PAL: A Lightweight Ranker for Mitigating Shortcut Learning in Personalized, High-Bias Tabular Ranking
von: Pawar, Vipul Dinesh
Veröffentlicht: (2025)