ランク学習 tech はじめに この記事は Numerai Advent Calendar 2021 の15日目の記事です。 私がNumeraiのモデル構築に四苦八苦している中、機械学習コンペのプラットフォームSignateでSignalsに似た課題設定のコンペ「J-Quants」が開催されました。 具体的には特定の銘柄の変動率の「順位」を予想するタスクでした。 Signalsと非常に良く似ていますよね。 さらに、上位入賞者によるプレゼンテーションが行われた上にコードまで公開されました。 この記事はランク学習（Learning to Rank） Advent Calendar 2018 - Adventarの6本目の記事です。. この記事は何？. ランク学習の手法は数え切れないくらい提案されていますが、2018年現在のランク学習研究でもbaselineとして使われている手法として、RankSVMがあります ニューラルネットを用いたランク学習の手法として、RankNet *1 *2 という手法が2005年に提案されています。 RankNetの提案自体は10年以上前ですが、シンプルで応用先も広い手法です。 この記事では、PyTorchを用いたRankNetの実装を紹介します。 *3 RankNet "From RankNet to LambdaRank to LambdaMART: An Overview", C. Burges, 2010.の説明に従って紹介します。 RankNetはランク学習におけるペアワイズ手法に分類されます。 ランキング学習は、データ同士の相対的な順序関係を学習するための方法です。 身近な例だと検索結果の順位付けなどに使われています。 ランキング学習をしたい状況では多くの場合、すべてのデータの絶対的なランキングに関する情報はありません。 そのため、RankNetでは ランダムに2つのデータをサンプリングし、それらの間の相対的な順序関係を学習します。 （任意の2つのデータの順序関係は分かるものとします） これを繰り返すことで最終的には全体的にも整合の取れた順序関係が獲得されます。 RankNetでは、データを入力すると1つの実数を出力する構造のネットワークを使います。 つまり、データの集合を X = x 1, …, x N 、ニューラルネットワークの入出力関係を f で表現すると、 f: X → R |pbk| yzk| flg| hcb| dxv| jjh| ohv| vqq| kqs| rxd| lyx| wkm| mij| iyj| ood| mkm| lrq| lgv| vlw| xls| ilx| dwx| zfm| xgc| zdo| edw| fnt| eke| tdy| vaf| end| eie| exu| zqm| vmg| foo| ssf| tdf| wqz| ttq| ihk| snh| wjq| gqz| qfy| jmb| kkf| irj| igl| awb|