論文の概要: LIR: The First Workshop on Late Interaction and Multi Vector Retrieval @ ECIR 2026

• arxiv url: http://arxiv.org/abs/2511.00444v1
• Date: Sat, 01 Nov 2025 08:21:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.779006
• Title: LIR: The First Workshop on Late Interaction and Multi Vector Retrieval @ ECIR 2026
• Title（参考訳）: LIR: The First Workshop on Late Interaction and Multi Vector Retrieval @ ECIR 2026
• Authors: Benjamin Clavié, Xianming Li, Antoine Chaffin, Omar Khattab, Tom Aarsen, Manuel Faysse, Jing Li,
• Abstract要約: ColBERTによって先駆けられた後期相互作用探索法は、単一ベクトルニューラルIRの強力な代替品として登場した。 それらは、特にドメイン外設定において、強力な一般化と堅牢性をもたらすことが実証されている。 最近では、推論ベースや相互モダリティ検索など、新しいユースケースに特に適していることが示されている。
• 参考スコア（独自算出の注目度）: 17.097147033209037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Late interaction retrieval methods, pioneered by ColBERT, have emerged as a powerful alternative to single-vector neural IR. By leveraging fine-grained, token-level representations, they have been demonstrated to deliver strong generalisation and robustness, particularly in out-of-domain settings. They have recently been shown to be particularly well-suited for novel use cases, such as reasoning-based or cross-modality retrieval. At the same time, these models pose significant challenges of efficiency, usability, and integrations into fully fledged systems; as well as the natural difficulties encountered while researching novel application domains. Recent years have seen rapid advances across many of these areas, but research efforts remain fragmented across communities and frequently exclude practitioners. The purpose of this workshop is to create an environment where all aspects of late interaction can be discussed, with a focus on early research explorations, real-world outcomes, and negative or puzzling results to be freely shared and discussed. The aim of LIR is to provide a highly-interactive environment for researchers from various backgrounds and practitioners to freely discuss their experience, fostering further collaboration.
• Abstract（参考訳）: ColBERTによって先駆けられた後期相互作用探索法は、単一ベクトルニューラルIRの強力な代替品として登場した。 きめ細かいトークンレベルの表現を活用することで、特にドメイン外設定において、強力な一般化と堅牢性を実現することが実証されている。 最近では、推論ベースや相互モダリティ検索など、新しいユースケースに特に適していることが示されている。 同時に、これらのモデルは、完全に成熟したシステムへの効率性、ユーザビリティ、統合に関する重要な課題を提起する。 近年、これらの地域の多くで急速な進歩が見られるが、研究努力はコミュニティ全体で断片化され、しばしば実践者を排除している。 このワークショップの目的は、遅延相互作用のすべての側面を議論できる環境を構築することであり、初期の研究調査、実世界の成果、ネガティブな結果やファズリングの結果を自由に共有し、議論することに焦点を当てている。 LIRの目的は、様々なバックグラウンドや実践者の研究者が自分の経験を自由に議論し、さらなるコラボレーションを促進するために、高度に対話的な環境を提供することである。

関連論文リスト

• Real Deep Research for AI, Robotics and Beyond [85.87181330763548]
  本稿では、AIとロボット工学の分野に適用された総合的なフレームワークであるReal Deep Research(RDR)を紹介する。 本論文ではRDRパイプラインの構成について詳述し、付録では各分析トピックに対して広範な結果を提供している。
  論文  参考訳（メタデータ） (2025-10-23T17:59:05Z)
• Improving Community Detection in Academic Networks by Handling Publication Bias [0.0]
  SciBERTモデルを微調整したBERTopicを用いたトピックベースの研究ネットワークを構築した。 主要な課題は出版の不均衡であり、研究者の中には他の研究者よりもはるかに多く出版する者もいる。 我々は、研究者の出版物をクラスタ化し、各クラスタを独立したノードとして扱うクローン戦略を導入する。
  論文  参考訳（メタデータ） (2025-07-28T00:48:33Z)
• A Survey of Efficient Reasoning for Large Reasoning Models: Language, Multimodality, and Beyond [88.5807076505261]
  大規模推論モデル (LRM) は, 推論中におけるチェーン・オブ・ソート (CoT) の推論長を拡大することにより, 高い性能向上を示した。 懸念が高まっているのは、過度に長い推論の痕跡を生み出す傾向にある。 この非効率性は、トレーニング、推論、現実のデプロイメントに重大な課題をもたらす。
  論文  参考訳（メタデータ） (2025-03-27T15:36:30Z)
• Robust-IR @ SIGIR 2025: The First Workshop on Robust Information Retrieval [37.78695461439989]
  本ワークショップの目的は、各研究の最新の成果を体系化し、このニッチ領域における包括的コミュニケーションを促進することである。 ミニカンファレンスの一方的な議論を避けるため、このワークショップでは、ラウンドテーブルやパネルディスカッションセッションなど、非常にインタラクティブな形式を採用しています。
  論文  参考訳（メタデータ） (2025-03-24T08:10:22Z)
• Towards Sample-Efficiency and Generalization of Transfer and Inverse Reinforcement Learning: A Comprehensive Literature Review [43.27239522837257]
  本稿では,転送および逆強化学習(T-IRL)によるRLアルゴリズムのサンプル効率と一般化を実現するための総合的なレビューを行う。 以上の結果から,最近の研究成果の大部分は,人間のループとシム・トゥ・リアル戦略を活用することで,上記の課題に対処していることが示唆された。 IRL構造の下では、経験の少ない移行と、そのようなフレームワークのマルチエージェントおよびマルチインテンション問題への拡張を必要とするトレーニングスキームが近年研究者の優先事項となっている。
  論文  参考訳（メタデータ） (2024-11-15T15:18:57Z)
• Towards Generalizing Inferences from Trials to Target Populations [6.836945436656676]
  本稿では,ブラウン大学における複数学際ワークショップをカプセル化して,外部の妥当性問題に対処する最前線について述べる。 社会科学、医学、公衆衛生、統計学、コンピュータ科学、教育など様々な分野の専門家は、外挿実験で各分野が直面する固有の障害に対処した。 そこで本論文は,因果効果の一般化性と輸送性に関する総合的理解を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-02-26T21:49:44Z)
• Collaborative Perception in Autonomous Driving: Methods, Datasets and Challenges [19.0876933975015]
  協調認識は、自律運転における閉塞性やセンサ障害の問題に対処するために不可欠である。 本研究は, このギャップを埋め, 今後の研究を動機付けるために, この分野における最近の成果を概観するものである。
  論文  参考訳（メタデータ） (2023-01-16T05:08:50Z)
• Causal Triplet: An Open Challenge for Intervention-centric Causal Representation Learning [98.78136504619539]
  Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。 この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-12T17:43:38Z)
• Parsing Objects at a Finer Granularity: A Survey [54.72819146263311]
  微細な視覚解析は、農業、リモートセンシング、宇宙技術など、多くの現実世界の応用において重要である。 卓越した研究努力は、異なるパラダイムに従って、これらのきめ細かいサブタスクに取り組む。 我々は,パート関係を学習する新たな視点から,先進的な研究を深く研究する。
  論文  参考訳（メタデータ） (2022-12-28T04:20:10Z)

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。