On Theoretically Optimal Ranking Functions in Bipartite Ranking
二分类排序中理论最优的排序函数AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要中的排序属于统计学习的二分类排序问题，没有资产收益预测或其他所列计量细分方向的依据。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
二分类排序中理论最优的排序函数
- 研究问题
- 在正负两类样本的排序任务中，最大化 ROC 曲线下面积与最小化凸损失排序风险之间存在怎样的理论关系？
- 方法与思路
- 作者在成对排序框架中刻画排序校准损失的条件，分析最优函数与正负类别似然比的关系，并单独研究铰链损失。
- 材料陈述的贡献
- 摘要称，满足条件的凸损失最优函数产生与似然比相同的排序；作者给出部分显式解，并指出 RankSVM 可能出现排序不一致。
- 阅读关注点
- 应核对排序校准与一致性的定义、损失函数所需条件，以及铰链损失导致并列分数或粒度化的机制和适用范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；一般条件与证明未提供，不能将潜在不一致理解为所有 RankSVM 应用必然失败。
原文摘要
This article investigates the theoretical relation between loss criteria and the optimal ranking functions driven by the criteria in bipartite ranking. In particular, the relation between area under the ROC curve (AUC) maximization and minimization of ranking risk under a convex loss is examined. We characterize general conditions for ranking-calibrated loss functions in a pairwise approach, and show that the best ranking functions under convex ranking-calibrated loss criteria produce the same ordering as the likelihood ratio of the positive category to the negative category over the instance space. The result illuminates the parallel between ranking and classification in general, and suggests the notion of consistency in ranking when convex ranking risk is minimized as in the RankBoost algorithm for instance. For a certain class of loss functions including the exponential loss and the binomial deviance, we specify the optimal ranking function explicitly in relation to the underlying probability distribution. In addition, we present an in-depth analysis of hinge loss optimization for ranking and point out that the RankSVM may produce potentially many ties or granularity in ranking scores due to the singularity of the hinge loss, which could result in ranking inconsistency. The theoretical findings are illustrated with numerical examples. Supplementary materials for this article are available online.