arXiv cs.AI· Vladyslav Shevchuk, Carlos Uziel P\'erez Malla, Philipp Wissgott·· 3 天前AI 评分20
遗传多准则排序与学习型排序器在代理偏斜和标签污染下的偏差鲁棒性对比
Bias Robustness of Genetic Multi-Criteria Sorting versus Learned Rankers under Proxy Skew and Label Contamination
AI 导读
研究对比了无标签的遗传多准则排序（Pikaia 策略变体）与 LightGBM、XGBoost、RankSVM 等标签训练 LTR 模型在 MSLR-WEB10K、Baidu-ULTR、WANDS、Expedia 上的偏差鲁棒性。
正文 · AI 翻译
摘要：当未指定的信号作为特征出现或泄漏到训练标签中时，学习排序（LTR）模型可以使排序与这些信号对齐。我们在 MSLR-WEB10K、Baidu-ULTR、WANDS 和 Expedia 上，在两种受控协议下，将无标签的遗传多准则排序（开放的 Pikaia 策略变体，使用显式准则向量 C 对固定候选池重新排序）与有标签训练的 LTR（LightGBM、XGBoost、RankSVM）进行比较。在主要的代理偏斜研究中，标签保持干净，而一个校准后的代理 P 作为特征可用：遗传 AI 排序显示出比 LTR 同类方法更低的 Spearman 排序-代理相关性（例如在 WANDS 上约为 0.15-0.16 对 0.59-0.87），两个系列都在偏差-效用前沿上以干净的 nDCG@10 联合评估。在一项支持性的标签污染研究中，训练标签与污染物 B 混合：由于遗传 AI 方法不使用标签，其偏差和效用曲线保持平坦，而 LightGBM 和 XGBoost 随着污染增加而提高排序-B 相关性（在 WANDS/Baidu 上 OLS bias_slope 约为 0.58-0.65）。结果支持遗传排序作为一种架构选项，用于在必须拒绝未指定代理或标签污染物时，在固定池上优化已声明的属性。
| 评论： | 12 页，4 幅图 |
| 主题： | 神经与进化计算（cs.NE）；人工智能（cs.AI）；机器学习（cs.LG） |
| ACM 分类： | H.3.3；I.2.6 |
| 引用为： | arXiv:2610.14015 [cs.NE] |
| （或 arXiv:2610.14015v1 [cs.NE] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14015 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Vladyslav Shevchuk [查看电子邮件]
[v1]
2026 年 9 月 29 日星期二 09:14:13 UTC（369 KB）
来源：arXiv cs.AI · arxiv.org