Buchumschlag

Linear-PAL: A Lightweight Ranker for Mitigating Shortcut Learning in Personalized, High-Bias Tabular Ranking

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Pawar, Vipul Dinesh
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

Large Language Models are Effective Text Rankers with Pairwise Ranking Prompting
von: Qin, Zhen, et al.
Veröffentlicht: (2023)

R1-Ranker: Teaching LLM Rankers to Reason
von: Feng, Tao, et al.
Veröffentlicht: (2025)

Personalized Product Search Ranking: A Multi-Task Learning Approach with Tabular and Non-Tabular Data
von: Morishetti, Lalitesh, et al.
Veröffentlicht: (2025)

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

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

Federated Personal Knowledge Graph Completion with Lightweight Large Language Models for Personalized Recommendations
von: Spadea, Fernando, et al.
Veröffentlicht: (2026)

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

Make Large Language Model a Better Ranker
von: Chao, Wen-Shuo, et al.
Veröffentlicht: (2024)

Improving User Experience with Personalized Review Ranking and Summarization
von: Mufti, Muhammad, et al.
Veröffentlicht: (2025)

Taming Recommendation Bias with Causal Intervention on Evolving Personal Popularity
von: Tan, Shiyin, et al.
Veröffentlicht: (2025)

BiCoRec: Bias-Mitigated Context-Aware Sequential Recommendation Model
von: Muthivhi, Mufhumudzi, et al.
Veröffentlicht: (2025)

Debiasing Message Passing to Mitigate Popularity Bias in GNN-based Collaborative Filtering
von: Islam, Md Aminul, et al.
Veröffentlicht: (2026)

Mitigating Pooling Bias in E-commerce Search via False Negative Estimation
von: Wang, Xiaochen, et al.
Veröffentlicht: (2023)

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

Exploitation Over Exploration: Unmasking the Bias in Linear Bandit Recommender Offline Evaluation
von: Pires, Pedro R., et al.
Veröffentlicht: (2025)

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

Breaker: Removing Shortcut Cues with User Clustering for Single-slot Recommendation System
von: Wang, Chao, et al.
Veröffentlicht: (2025)

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)

Ranking In Generalized Linear Bandits
von: Shidani, Amitis, et al.
Veröffentlicht: (2022)

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

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

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

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

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

RLRF: Competitive Search Agent Design via Reinforcement Learning from Ranker Feedback
von: Mordo, Tommy, et al.
Veröffentlicht: (2025)

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

SRAS: A Lightweight Reinforcement Learning-based Document Selector for Edge-Native RAG Pipelines
von: Muttur, Rajiv Chaitanya
Veröffentlicht: (2026)

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

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

Addressing Personalized Bias for Unbiased Learning to Rank
von: Niu, Zechun, et al.
Veröffentlicht: (2025)

Countering Mainstream Bias via End-to-End Adaptive Local Learning
von: Pan, Jinhao, et al.
Veröffentlicht: (2024)

Differentially Private Graph Diffusion with Applications in Personalized PageRanks
von: Wei, Rongzhe, et al.
Veröffentlicht: (2024)

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

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

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

Re-Rankers as Relevance Judges
von: Meng, Chuan, et al.
Veröffentlicht: (2026)

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

A Thorough Performance Benchmarking on Lightweight Embedding-based Recommender Systems
von: Tran, Hung Vinh, et al.
Veröffentlicht: (2024)

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