Dodgersort：面向无不确定性 VLM 指导的人类在回环对排序
计算机视觉与模式识别
2026-03-24 v1 人工智能
人机交互
机器学习
摘要
两两比较标注正逐渐成为一种新方法，因为它比传统分类标注能获得更高的间隔评审者可靠性，但彻底的比较需要二次方的成本。我们提出了 Dodgersort，利用 CLIP 基于层次的预排序、神经排序头和概率集合 (Elo、BTL、GP)，实现认识不确定性与测量不确定性分解以及信息论配对选择。它在减少人类比较次数的同时提高排名的可靠性。在医学影像、历史日期和审美等视觉排序任务中，Dodgersort 实现了 11%~16% 的标注减少，同时提高了间隔评审者可靠性。跨域消融实验在四个数据集上显示，神经适应和集合不确定性是此提升的关键。在 FG-NET 数据集中，基于真实年龄的框架从每一次比较中提取的排名信息是基线的 5~20 倍，实现了准确率与效率之间的 Pareto 最优权衡。
引用
@article{arxiv.2603.20839,
title = {Dodgersort: Uncertainty-Aware VLM-Guided Human-in-the-Loop Pairwise Ranking},
author = {Yujin Park and Haejun Chung and Ikbeom Jang},
journal= {arXiv preprint arXiv:2603.20839},
year = {2026}
}
备注
12 pages, 2 figures, Pacific-Asia Conference on Knowledge Discovery and Data Mining(PAKDD2026)