排序不等于评分：置换空间视角

基于摘要分析。本文研究 Learning-to-rank（LTR）中以条目分数进行优化、却以条目置换进行评价的结构性不匹配，提出置换空间框架，分析不同排名指标对精确决策的信息表示要求，以及局部优化与近似方法能够提供的信息。 核心机制是将排名指标表示为置换分布上的线性效用，并通过不同置换之间的效用差，将凸校准要求与基于分数的优化联系起来。这里的关键并非分数是否能够表示任意置换，而是优化获得的信息是否足以满足目标评价指标的决策要求。 作者报告，在完整二元相关性空间上的任意联合分布条件下，精确凸校准维度随候选集合规模的增长规律因指标而异：normalized AUC 和具有非恒定折扣的 binary NDCG 为线性增长，average precision（AP）为二次增长，reciprocal rank（RR）及参数为正的 homogeneous cascades 为指数增长。这些结论描述的是所述理论条件下的表示要求，而不是模型参数量或实测运行时间。 作者进一步使用 Plackett–Luce（PL）模型连接分数与置换概率，并报告理论证明：在任意有限分数点，精确期望梯度可恢复全部 AUC/NDCG 效用差；在均匀点与一般位置点，精确期望梯度和 Hessian 可恢复全部 AP 效用差。对 RR，在单个点使用任意固定阶数以内的导数时，可观测效用方向的比例随候选集合增大趋于零。 近似决策方面，作者报告，对固定深度 K 截断的 RR，存在维度随候选集合规模多项式增长的凸报告表示，且完整 RR 的 regret 不超过截断 regret 加 1/(K+1)。这提供了以可控近似误差降低表示成本的理论路径，但不等于证明常见训练算法均能实现该界。 摘要称计算示例与模拟实验支持上述结果，具体实验协议、对照、数值结果及统计信息尚未验证；精确期望导数结论在有限样本梯度估计下的适用程度也需核对全文。原研究对象是通用排名理论，不是 EEG/BCI 解码；材料未提供其在神经信号任务上的有效性证据，已有 EEG 相关工作尚未检索确认。