论文页面 - 主动学习器作为高效的 PRP 重排序器

来源：https://huggingface.co/papers/2605.14236

摘要

成对排序提示被重新构建为从噪声比较中进行的主动学习，通过改进的排序器在调用约束下提升排序质量，并借助随机化 Oracle 解决位置偏差问题。

成对排序提示 (Pairwise Ranking Prompting, PRP) (https://huggingface.co/papers?q=Pairwise%20Ranking%20Prompting) 从 LLM 中获取成对偏好判断，然后通常通过经典排序算法聚合成一个排序。然而，这些判断存在噪声、顺序敏感性，有时甚至不可传递，因此排序假设与实际情况不符。由于排序旨在恢复完整的排列，对其进行截断以满足调用预算 (call budget) (https://huggingface.co/papers?q=call%20budget) 并不能产生可靠的 top-K 结果。因此，我们将 PRP 重排序重新定义为从噪声成对比较 (noisy pairwise comparisons) (https://huggingface.co/papers?q=noisy%20pairwise%20comparisons) 中进行的主动学习 (active learning) (https://huggingface.co/papers?q=active%20learning)，并证明主动排序器是即插即用的替代方案，在调用受限的机制下能提升每次调用的 NDCG@10 (https://huggingface.co/papers?q=NDCG%4010)。我们的噪声鲁棒框架还引入了一个随机方向 Oracle，每对只需一次 LLM 调用。这种方法将系统性的位置偏差 (position bias) (https://huggingface.co/papers?q=position%20bias) 转化为零均值噪声，从而无需双向调用即可实现无偏的聚合排序。

查看 arXiv 页面 (https://arxiv.org/abs/2605.14236)查看 PDF (https://arxiv.org/pdf/2605.14236)GitHub (https://github.com/jerecoder/IReranker)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.14236)

在你的 agent 中获取此论文：

hf papers read 2605.14236

没有最新 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

无模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2605.14236 即可从此页面链接。

引用此论文的数据集0

无数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.14236 即可从此页面链接。

引用此论文的 Spaces0

无 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2605.14236 即可从此页面链接。

包含此论文的收藏0

无收藏包含此论文

将此论文添加到一个收藏 (https://huggingface.co/new-collection) 即可从此页面链接。