論文の概要: Rational Retrieval Acts: Leveraging Pragmatic Reasoning to Improve Sparse Retrieval

• arxiv url: http://arxiv.org/abs/2505.03676v1
• Date: Tue, 06 May 2025 16:21:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.472108
• Title: Rational Retrieval Acts: Leveraging Pragmatic Reasoning to Improve Sparse Retrieval
• Title（参考訳）: 合理的検索法:スパース検索を改善するために実践的推論を活用する
• Authors: Arthur Satouf, Gabriel Ben Zenou, Benjamin Piwowarski, Habiboulaye Amadou Boubacar, Pablo Piantanida,
• Abstract要約: 現在のスパース・ニューラル情報検索法は、単一の文書を表現する際に、文書収集と異なる項重み間の複雑な相互作用を考慮に入れない。 本稿では,言語学の枠組みであるRational Speech Acts (RSA) について述べる。 実験によると、RSAを組み込むことで、複数のスパース検索モデルと、ドメイン外のデータセットにおける最先端のパフォーマンスが一貫して改善される。
• 参考スコア（独自算出の注目度）: 29.652506774818267
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current sparse neural information retrieval (IR) methods, and to a lesser extent more traditional models such as BM25, do not take into account the document collection and the complex interplay between different term weights when representing a single document. In this paper, we show how the Rational Speech Acts (RSA), a linguistics framework used to minimize the number of features to be communicated when identifying an object in a set, can be adapted to the IR case -- and in particular to the high number of potential features (here, tokens). RSA dynamically modulates token-document interactions by considering the influence of other documents in the dataset, better contrasting document representations. Experiments show that incorporating RSA consistently improves multiple sparse retrieval models and achieves state-of-the-art performance on out-of-domain datasets from the BEIR benchmark. https://github.com/arthur-75/Rational-Retrieval-Acts
• Abstract（参考訳）: 現在のスパース・ニューラル・インフォメーション・検索(IR)法やBM25のようなより伝統的なモデルでは、単一の文書を表現する際に、文書の収集と異なる用語の重みの間の複雑な相互作用を考慮に入れない。 本稿では,対象物を特定する際に伝達される特徴の数を最小化する言語学フレームワークであるRational Speech Acts(RSA)をIRケースに適用し,特に多数の潜在的な特徴(以下,トークン)に適応させる方法について述べる。 RSAは、データセット内の他のドキュメントの影響を考慮して、トークンとドキュメントの相互作用を動的に調整し、文書表現をよりコントラストにします。 実験によると、RSAを組み込むことで複数のスパース検索モデルが一貫して改善され、BEIRベンチマークから領域外データセットの最先端のパフォーマンスが達成される。 https://github.com/arthur-75/Rational-Retrieval-Acts

関連論文リスト

• Learning More Effective Representations for Dense Retrieval through Deliberate Thinking Before Search [65.53881294642451]
  ディリベレート思考に基づくDense Retriever (DEBATER) DEBATERは、ステップバイステップの思考プロセスを通じて、より効果的な文書表現を学習できるようにすることにより、最近の密集型検索機能を強化している。 実験の結果,DEBATERはいくつかのベンチマークで既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-02-18T15:56:34Z)
• RARe: Retrieval Augmented Retrieval with In-Context Examples [40.963703726988946]
  本稿では,検索者がコンテキスト内例を利用できるためのシンプルなアプローチを提案する。 RAREは、クエリがターゲットクエリとセマンティックに類似しているコンテキスト内の例で事前訓練されたモデルを微調整する。 RAReは、コンテキスト内例のないクエリを用いたモデルと比較して、ドメイン外一般化がより強力であることがわかった。
  論文  参考訳（メタデータ） (2024-10-26T05:46:20Z)
• Less is More: Making Smaller Language Models Competent Subgraph Retrievers for Multi-hop KGQA [51.3033125256716]
  本研究では,小言語モデルで処理される条件生成タスクとして,サブグラフ検索タスクをモデル化する。 2億2千万のパラメータからなる基本生成部分グラフ検索モデルでは,最先端モデルと比較して競合検索性能が向上した。 LLMリーダを接続した最大の3Bモデルは、WebQSPとCWQベンチマークの両方で、SOTAのエンドツーエンドパフォーマンスを新たに設定します。
  論文  参考訳（メタデータ） (2024-10-08T15:22:36Z)
• DREQ: Document Re-Ranking Using Entity-based Query Understanding [6.675805308519988]
  DREQはエンティティ指向の高密度ドキュメント再ランクモデルである。 ドキュメント表現内のクエリ関連エンティティを強調しながら、関連性の低いエンティティを同時に減らします。 DREQは、最先端のニューラル・非ニューラル・リグレード法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-01-11T14:27:12Z)
• SPRINT: A Unified Toolkit for Evaluating and Demystifying Zero-shot Neural Sparse Retrieval [92.27387459751309]
  ニューラルスパース検索を評価するための統一PythonツールキットであるSPRINTを提供する。 我々は、よく認識されているベンチマークBEIRにおいて、強く再現可能なゼロショットスパース検索ベースラインを確立する。 SPLADEv2は、元のクエリとドキュメントの外で、ほとんどのトークンでスパース表現を生成する。
  論文  参考訳（メタデータ） (2023-07-19T22:48:02Z)
• UnifieR: A Unified Retriever for Large-Scale Retrieval [84.61239936314597]
  大規模な検索は、クエリを与えられた巨大なコレクションから関連ドキュメントをリコールすることである。 事前学習型言語モデル(PLM)に基づく最近の検索手法は,高密度ベクターあるいはレキシコンに基づくパラダイムに大別することができる。 本論文では,高密度ベクトルとレキシコンに基づく検索を2つの表現能力を持つ1つのモデルで統合する学習フレームワークUnifieRを提案する。
  論文  参考訳（メタデータ） (2022-05-23T11:01:59Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)

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。