論文の概要: Evaluating a Generative Adversarial Framework for Information Retrieval

• arxiv url: http://arxiv.org/abs/2010.00722v1
• Date: Thu, 1 Oct 2020 23:11:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 07:35:49.901307
• Title: Evaluating a Generative Adversarial Framework for Information Retrieval
• Title（参考訳）: 情報検索のための生成型adversarial frameworkの評価
• Authors: Ameet Deshpande and Mitesh M. Khapra
• Abstract要約: 本稿では,提案モデルであるIRGAN(Generative Adversarial Networks Model)を批判的に分析するとともに,その欠点に関する実験的および理論的証拠を提供する。 具体的には、ポリシー勾配最適化における定数ベースライン項の問題を特定し、生成器がIRGANの性能に悪影響を及ぼすことを示す。 本研究は,3つの課題のうち2つにおいてIRGANより優れる自己コントラスト推定と協調学習の2つのモデルを提案する。
• 参考スコア（独自算出の注目度）: 13.63306870751872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in Generative Adversarial Networks (GANs) have resulted in its widespread applications to multiple domains. A recent model, IRGAN, applies this framework to Information Retrieval (IR) and has gained significant attention over the last few years. In this focused work, we critically analyze multiple components of IRGAN, while providing experimental and theoretical evidence of some of its shortcomings. Specifically, we identify issues with the constant baseline term in the policy gradients optimization and show that the generator harms IRGAN's performance. Motivated by our findings, we propose two models influenced by self-contrastive estimation and co-training which outperform IRGAN on two out of the three tasks considered.
• Abstract（参考訳）: GAN(Generative Adversarial Networks)の最近の進歩は、複数のドメインに広く応用されている。 最近のIRGANは、このフレームワークをIR(Information Retrieval)に適用し、ここ数年で大きな注目を集めている。 本研究では,irganの複数の構成要素を批判的に分析し,その欠点を実験的・理論的に証明する。 具体的には、ポリシー勾配最適化における定数ベースライン項の問題を特定し、生成器がIRGANの性能に悪影響を及ぼすことを示す。 本研究は,3つの課題のうち2つにおいてIRGANより優れる自己コントラスト推定と協調学習の2つのモデルを提案する。

関連論文リスト

• Unveiling and Consulting Core Experts in Retrieval-Augmented MoE-based LLMs [64.9693406713216]
  RAGシステムの有効性に寄与する内部メカニズムは未解明のままである。 実験の結果,複数のコアグループの専門家がRAG関連行動に主に関与していることが判明した。 本稿では,専門家の活性化を通じてRAGの効率性と有効性を高めるためのいくつかの戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-20T16:08:54Z)
• Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
  我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。 本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。 我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-09-24T14:52:14Z)
• A Knowledge-Centric Benchmarking Framework and Empirical Study for Retrieval-Augmented Generation [4.359511178431438]
  Retrieval-Augmented Generation (RAG)は、検索機構を統合することで生成モデルを強化する。 その利点にもかかわらず、RAGは特に現実世界のクエリを効果的に処理する上で、大きな課題に直面している。 本稿では,これらの課題に対処する新しいRAGベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-09-03T03:31:37Z)
• Evaluation of Retrieval-Augmented Generation: A Survey [13.633909177683462]
  本稿では,Retrieval-Augmented Generation (RAG)システムの評価とベンチマークについて概観する。 具体的には、検索・生成要素の定量化指標(関連性、正確性、忠実性など)について検討・比較する。 次に、様々なデータセットとメトリクスを分析し、現在のベンチマークの限界について議論し、RAGベンチマークの分野を前進させる潜在的な方向性を提案する。
  論文  参考訳（メタデータ） (2024-05-13T02:33:25Z)
• CCA: Collaborative Competitive Agents for Image Editing [59.54347952062684]
  本稿では,CCA(Collaborative Competitive Agents)の新たな生成モデルを提案する。 複数のLarge Language Models (LLM) ベースのエージェントを使って複雑なタスクを実行する。 この論文の主な貢献は、制御可能な中間ステップと反復最適化を備えたマルチエージェントベースの生成モデルの導入である。
  論文  参考訳（メタデータ） (2024-01-23T11:46:28Z)
• Generative Adversarial Networks for Image Super-Resolution: A Survey [101.39605080291783]
  単一画像超解像(SISR)は画像処理の分野で重要な役割を果たしている。 近年のGAN(Generative Adversarial Network)は,小サンプルを用いた低解像度画像に対して優れた結果が得られる。 本稿では,異なる視点からGANの比較研究を行う。
  論文  参考訳（メタデータ） (2022-04-28T16:35:04Z)
• Learning Domain Invariant Representations for Generalizable Person Re-Identification [71.35292121563491]
  ReID(Generalizable person Re-Identification)は、最近のコンピュータビジョンコミュニティで注目を集めている。 DIR-ReID(Domain Invariant Representations for Generalizable Person Re-Identification)という新しい一般化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-29T18:59:48Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)
• A Novel Measure to Evaluate Generative Adversarial Networks Based on Direct Analysis of Generated Images [0.0]
  GAN(Generative Adversarial Network)は、ディープラーニング分野における最先端技術である。 本稿では、生成した画像を直接解析することで、GANを評価するための基本的な方法を検討する。
  論文  参考訳（メタデータ） (2020-02-27T18:59:22Z)
• A Novel Framework for Selection of GANs for an Application [0.0]
  我々は,モード崩壊,勾配の消失,不安定なトレーニング,非収束といった問題に対処するGANの進化を包括的に要約する。 本稿では, アーキテクチャ, 損失, 正規化, 分散度に基づく, 特定のユースケースの候補GANを識別する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-20T09:51:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。