A Survey of Controllable Learning: Methods and Applications in Information Retrieval

要約

制御性は信頼できる機械学習の重要な側面となっており、学習者が事前に定義された目標を達成し、目標の変化に応じて再トレーニングすることなくテスト時に動的に適応できるようになります。
制御可能な学習 (CL) の正式な定義を提供し、情報ニーズが複雑かつ動的であることが多い情報検索 (IR) におけるその応用について説明します。
この調査では、制御可能な内容 (例: 複数の目的、ユーザー ポートレート、シナリオの適応)、誰が制御するか (ユーザーまたはプラットフォーム)、制御の実装方法 (例: ルールベースの手法、パレート最適化、ハイパーネットワークなど) に従って CL を分類します。
制御をどこに実装するか（前処理、処理中、後処理の方法など）。
次に、オンライン環境でのトレーニング、評価、タスク設定、導入全体にわたって CL が直面する課題を特定します。
さらに、理論分析、効率的な計算、大規模な言語モデルの強化、アプリケーション シナリオ、評価フレームワークにおける CL の有望な方向性について概説します。

要約(オリジナル)

Controllability has become a crucial aspect of trustworthy machine learning, enabling learners to meet predefined targets and adapt dynamically at test time without requiring retraining as the targets shift. We provide a formal definition of controllable learning (CL), and discuss its applications in information retrieval (IR) where information needs are often complex and dynamic. The survey categorizes CL according to what is controllable (e.g., multiple objectives, user portrait, scenario adaptation), who controls (users or platforms), how control is implemented (e.g., rule-based method, Pareto optimization, hypernetwork and others), and where to implement control (e.g., pre-processing, in-processing, post-processing methods). Then, we identify challenges faced by CL across training, evaluation, task setting, and deployment in online environments. Additionally, we outline promising directions for CL in theoretical analysis, efficient computation, empowering large language models, application scenarios and evaluation frameworks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google