要旨: ランキング学習（LTR）は、機械学習における中核的な課題の一つです。従来のLTRモデルは大きな進歩を遂げてきましたが、そのほぼすべてが識別的な観点から実装されています。本論文では、LTRを新しい観点、すなわち深い生成モデルによって取り組むことを目指します。具体的には、拡散プロセスにおいて関連ラベルにノイズを加え、逆過程でクエリ文書上のそれらを復元（denoise）して、その分布を正確に予測する、新しいdenoise rankモデルであるDenoiseRankを提案します。本モデルは、生成的観点から従来のLTRに取り組む最初のものであり、LTRのための拡散手法です。ベンチマークデータセットに対する広範な実験により、DenoiseRankの有効性が示されました。また、生成的LTRタスクのためのベンチマークとなることを期待しています。
DenoiseRank：拡散モデルによる学習（ランキング）
arXiv cs.AI / 2026/4/25
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- この論文は、学習によるランキング（LTR）を拡散ベースの生成モデリング問題として捉え直すアプローチ「DenoiseRank」を提案します。
- DenoiseRankは、判別的な目的関数だけに頼らず、順方向の拡散過程で関連ラベルにノイズを加え、逆過程でクエリ文書に基づいてノイズを除去することで、ラベル分布の予測を行います。
- 著者らは、DenoiseRankが生成的な観点から従来のLTRに取り組む最初の手法だと位置づけており、ランキングの中核として拡散を用います。
- 標準的なベンチマークデータセットでの実験により有効性が示され、生成的LTR研究のベンチマークになる可能性があると述べています。
