論文の概要: Gen-IR @ SIGIR 2023: The First Workshop on Generative Information Retrieval

• arxiv url: http://arxiv.org/abs/2306.02887v1
• Date: Mon, 5 Jun 2023 13:56:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 14:41:54.403498
• Title: Gen-IR @ SIGIR 2023: The First Workshop on Generative Information Retrieval
• Title（参考訳）: Gen-IR @ SIGIR 2023: The First Workshop on Generative Information Retrieval
• Authors: Gabriel B\'en\'edict, Ruqing Zhang, Donald Metzler
• Abstract要約: このワークショップの目的は、文書検索やグラウンドド・アンサー・ジェネレーションのような生成IR技術に焦点を当てることである。 ワークショップの形式は、ラウンドテーブルや基調講演など、インタラクティブで、ミニ会議の一方的な対話を避ける傾向があります。
• 参考スコア（独自算出の注目度）: 32.45182506899627
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative information retrieval (IR) has experienced substantial growth across multiple research communities (e.g., information retrieval, computer vision, natural language processing, and machine learning), and has been highly visible in the popular press. Theoretical, empirical, and actual user-facing products have been released that retrieve documents (via generation) or directly generate answers given an input request. We would like to investigate whether end-to-end generative models are just another trend or, as some claim, a paradigm change for IR. This necessitates new metrics, theoretical grounding, evaluation methods, task definitions, models, user interfaces, etc. The goal of this workshop (https://coda.io/@sigir/gen-ir) is to focus on previously explored Generative IR techniques like document retrieval and direct Grounded Answer Generation, while also offering a venue for the discussion and exploration of how Generative IR can be applied to new domains like recommendation systems, summarization, etc. The format of the workshop is interactive, including roundtable and keynote sessions and tends to avoid the one-sided dialogue of a mini-conference.
• Abstract（参考訳）: 生成的情報検索(ir)は、複数の研究コミュニティ(情報検索、コンピュータビジョン、自然言語処理、機械学習など)でかなりの成長を遂げており、大衆の報道で注目されている。 理論的、実証的、実際のユーザ向け製品がリリースされ、(生成を介して)文書を検索したり、入力要求に応じて直接回答を生成する。 エンド・ツー・エンドの生成モデルが単なるトレンドなのか、それともIRのパラダイム変更なのかを調査したい。 これは新しいメトリクス、理論的基盤、評価方法、タスク定義、モデル、ユーザーインターフェイスなどを必要とする。 このワークショップ(https://coda.io/@sigir/gen-ir)の目標は、ドキュメント検索や直接グラウンドドアンサージェネレーションのような、以前に検討されたジェネレーティブIR技術に焦点を当てると同時に、レコメンデーションシステムや要約システムといった新しいドメインに対して、ジェネレーティブIRをどのように適用できるかに関する議論と調査の場を提供することである。 ワークショップの形式は、ラウンドテーブルや基調講演を含むインタラクティブで、ミニ会議の一方的な対話を避ける傾向がある。

関連論文リスト

• Agentic Information Retrieval [21.741669515186146]
  本稿では,大規模言語モデル(LLM)の能力によって形成される新しいIRパラダイムであるエージェント情報検索(Agentic IR)を紹介する。 本稿ではエージェントIRの3種類の最先端応用とその課題について論じる。
  論文  参考訳（メタデータ） (2024-10-13T03:45:24Z)
• Robust Neural Information Retrieval: An Adversarial and Out-of-distribution Perspective [111.58315434849047]
  ニューラルネットワーク検索モデル(IR)モデルの堅牢性は、大きな注目を集めている。 我々は、IRの堅牢性を多面的概念とみなし、敵攻撃、アウト・オブ・ディストリビューション(OOD)シナリオ、パフォーマンスのばらつきに対してその必要性を強調している。 我々は,既存の手法,データセット,評価指標について詳細な議論を行い,大規模言語モデルの時代における課題や今後の方向性に光を当てる。
  論文  参考訳（メタデータ） (2024-07-09T16:07:01Z)
• A Survey of Generative Search and Recommendation in the Era of Large Language Models [125.26354486027408]
  ジェネレーティブ検索(検索)とレコメンデーションは、マッチング問題をジェネレーティブな方法で解決することを目的としている。 超知能生成型大規模言語モデルが検索と推薦の新しいパラダイムを生み出した。
  論文  参考訳（メタデータ） (2024-04-25T17:58:17Z)
• From Matching to Generation: A Survey on Generative Information Retrieval [21.56093567336119]
  生成情報検索(GenIR)は新たなパラダイムとして登場し,近年注目を集めている。 本稿では,GenIRの最新研究動向を体系的にレビューすることを目的とする。
  論文  参考訳（メタデータ） (2024-04-23T09:05:37Z)
• Large Language Models for Information Retrieval: A Survey [58.30439850203101]
  情報検索は、項ベースの手法から高度なニューラルモデルとの統合へと進化してきた。 近年の研究では、大規模言語モデル(LLM)を活用してIRシステムの改善が試みられている。 LLMとIRシステムの合流点を探索し、クエリリライト、リトリバー、リランカー、リーダーといった重要な側面を含む。
  論文  参考訳（メタデータ） (2023-08-14T12:47:22Z)
• Resources for Brewing BEIR: Reproducible Reference Models and an Official Leaderboard [47.73060223236792]
  BEIRは18種類のドメイン/タスクの組み合わせで情報検索モデルを評価するためのベンチマークデータセットである。 我々の研究は、ベンチマークが完全な潜在能力を達成できない2つの欠点に対処しています。
  論文  参考訳（メタデータ） (2023-06-13T00:26:18Z)
• Enhancing Retrieval-Augmented Large Language Models with Iterative Retrieval-Generation Synergy [164.83371924650294]
  検索と生成を反復的に同期させるIter-RetGenと呼ばれる手法により,高い性能が得られることを示す。 モデル出力は、タスクを完了するために必要なものを示し、より関連する知識を取得するための情報的コンテキストを提供する。 Iter-RetGenプロセスは、すべての知識を全体として取得し、構造的な制約なしに生成時の柔軟性をほとんど保持します。
  論文  参考訳（メタデータ） (2023-05-24T16:17:36Z)
• Neural Approaches to Conversational Information Retrieval [94.77863916314979]
  会話情報検索(CIR)システムは、会話インタフェースを備えた情報検索(IR)システムである。 近年のディープラーニングの進歩により、自然言語処理(NLP)と会話型AIが大幅に改善されている。 この本は、ここ数年で開発された神経アプローチに焦点を当てた、CIRの最近の進歩を調査します。
  論文  参考訳（メタデータ） (2022-01-13T19:04:59Z)
• Beyond [CLS] through Ranking by Generation [22.27275853263564]
  我々は情報検索のための生成フレームワークを再考する。 我々の生成的アプローチは、解答選択タスクに対する最先端のセマンティック類似性に基づく識別モデルと同じくらい有効であることを示す。
  論文  参考訳（メタデータ） (2020-10-06T22:56:31Z)

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。