类条件标签噪声下学习排序的噪声容忍性
信息检索
2022-08-18 v2 机器学习
摘要
通常，用于训练排序模型的数据会受到标签噪声的影响。例如，在网页搜索中，由点击流数据创建的标签由于SERP上条目描述信息不足、用户查询重构以及不稳定或意外的用户行为等问题而含有噪声。在实践中，若不针对标签生成过程做出强假设，则难以处理标签噪声。因此，从业者通常直接在此噪声数据上训练其学习排序（LtR）模型，而不额外考虑标签噪声。令人惊讶的是，我们经常看到以这种方式训练的LtR模型表现出强劲性能。在本工作中，我们描述了一类噪声容忍的LtR损失，即使存在类条件标签噪声，经验风险最小化也是一致的过程。我们还开发了常用损失函数的噪声容忍类比形式。我们的理论发现的实践意义进一步得到了实验结果的支持。
引用
@article{arxiv.2208.02126,
title = {Noise tolerance of learning to rank under class-conditional label noise},
author = {Dany Haddad},
journal= {arXiv preprint arXiv:2208.02126},
year = {2022}
}