从噪声到秩序：基于去噪扩散的学习排序
信息检索
2026-02-13 v1 人工智能
机器学习
摘要
在信息检索（IR）中，学习排序（LTR）方法传统上局限于判别式机器学习方法，这些方法仅建模给定文档与查询之间某些特征表示后，文档被视为相关的概率。在本工作中，我们提出了一种替代方法：基于去噪扩散的深度生成方法来 LTR，分别建模特征向量和相关标签的完整联合分布。虽然在判别式设置下，过参数化的排序模型可能以不同方式拟合训练数据，但我们假设能够在生成设置下解释完整数据分布的候选解会产生更稳健的排序模型。基于此动机，我们提出了 DiffusionRank，将现有的基于去噪扩散的表格数据生成模型 TabDiff 扩展，用于创建经典判别式点式和两两 LTR 目标的生成等价物。我们的实证结果表明，DiffusionRank 模型在其判别式对手方上实现了显著的改进。我们的工作指向了利用深度生成模型（如扩散模型）在 IR 中学习排序的广阔空间，为未来研究探索指明了方向。
引用
@article{arxiv.2602.11453,
title = {From Noise to Order: Learning to Rank via Denoising Diffusion},
author = {Sajad Ebrahimi and Bhaskar Mitra and Negar Arabzadeh and Ye Yuan and Haolun Wu and Fattane Zarrinkalam and Ebrahim Bagheri},
journal= {arXiv preprint arXiv:2602.11453},
year = {2026}
}