論文の概要: BracketRank: Large Language Model Document Ranking via Reasoning-based Competitive Elimination
- arxiv url: http://arxiv.org/abs/2604.08834v1
- Date: Fri, 10 Apr 2026 00:16:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-13 17:57:53.61714
- Title: BracketRank: Large Language Model Document Ranking via Reasoning-based Competitive Elimination
- Title（参考訳）: BracketRank: 推論に基づく競合排除による大規模言語モデル文書ランク付け
- Authors: Abdelrahman Abdallah, Mohammed Ali, Bhawna Piryani, Adam Jatowt,
- Abstract要約: 推論集約検索は、表面レベルのキーワードマッチング以上の深い意味推論を必要とする。
textbfBracketRankは、文書の再ランクを推論駆動の競争トーナメントとして扱うフレームワークである。
提案手法では,(1)モデルコンテキスト制限に基づく適応的なグループ化,(2)推論の強化,(3)勝者と敗者トラックによるブラケットスタイルの排除構造,の3つの重要なイノベーションを紹介した。
- 参考スコア（独自算出の注目度）: 23.26024974182057
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reasoning-intensive retrieval requires deep semantic inference beyond surface-level keyword matching, posing a challenge for current LLM-based rerankers limited by context constraints and order sensitivity. We propose \textbf{\BracketRank}, a framework that treats document reranking as a reasoning-driven competitive tournament. Our approach introduces three key innovations: (1) adaptive grouping based on model context limits, (2) reasoning-enhanced prompts that mandate step-by-step relevance explanations, and (3) a bracket-style elimination structure with winner and loser tracks. This design ensures robust document advancement while enabling parallel processing across competition stages. Evaluation on the BRIGHT reasoning benchmark shows that \BracketRank achieves \textbf{26.56 nDCG@10}, significantly outperforming state-of-the-art baselines including RankGPT-4 (17.0) and Rank-R1-14B (20.5). On TREC datasets, BracketRank achieves 77.90 nDCG@5 on DL 19 and 75.85 nDCG@5 on DL 20, exceeding all baselines, establishing that explicit reasoning within competitive elimination is a powerful paradigm for complex, multi-step retrieval tasks. https://github.com/DataScienceUIBK/BracketRank
- Abstract（参考訳）: 推論集約的な検索には、表面レベルのキーワードマッチング以上の深いセマンティック推論が必要であり、コンテキスト制約と順序感度によって制限された現在のLLMベースのリランカにとっての課題である。
本稿では,文書の再ランク付けを推論駆動の競技大会として扱うフレームワークである‘textbf{\BracketRank} を提案する。
提案手法では,(1)モデルコンテキスト制限に基づく適応的なグループ化,(2)推論の強化,(3)勝者と敗者トラックによるブラケットスタイルの排除構造,の3つの重要なイノベーションを紹介した。
この設計は、競合ステージ間の並列処理を可能にしながら、堅牢な文書の進歩を保証する。
BRIGHT推論ベンチマークの評価によると、 \BracketRank は \textbf{26.56 nDCG@10} を達成し、RandGPT-4 (17.0) や Rank-R1-14B (20.5) といった最先端のベースラインを著しく上回っている。
TRECデータセットでは、BrocketRankはDL 19では77.90 nDCG@5、DL 20では75.85 nDCG@5を達成する。
https://github.com/DataScienceUIBK/BracketRank
関連論文リスト
- BLITZRANK: Principled Zero-shot Ranking Agents with Tournament Graphs [14.085089126904101]
我々は、$k$-wiseランキングの原則となる基盤を提供するトーナメントグラフフレームワークを導入する。
それぞれ$k$-item比較すると、$binomk2$の完全なトーナメントがペアワイズで表示される。
我々は、アイテムのランクが確実に決定されたときを形式化し、情報ゲインを最大化する欲求クエリスケジュールを設計する。
論文 参考訳（メタデータ） (2026-02-05T08:41:00Z) - LLM-guided Hierarchical Retrieval [54.73080745446999]
LATTICEは階層的な検索フレームワークであり、LLMは対数探索の複雑さで大きなコーパスを推論し、ナビゲートすることができる。
LLM誘導探索における中心的な課題は、モデルの関連性判断がノイズが多く、文脈に依存し、階層性に気付かないことである。
我々のフレームワークは、推論集約型BRIGHTベンチマークで最先端のゼロショット性能を実現する。
論文 参考訳（メタデータ） (2025-10-15T07:05:17Z) - ERank: Fusing Supervised Fine-Tuning and Reinforcement Learning for Effective and Efficient Text Reranking [33.25740773392183]
ERankは、多種多様な関連シナリオにまたがるLLMから構築された、非常に効率的で効率的なポイントワイド・リランカである。
スーパーバイザードファインチューニング(SFT)から始まる新しい2段階トレーニングパイプラインを提案する。
この段階では、二進ラベルを超えてモデルを生成的に訓練し、微粒な整数スコアを出力し、妥当性の識別を大幅に向上させる。
BRIGHT, FollowIR, TREC DL, BEIRベンチマークにおけるERankリランカの評価を行い, 既存手法と比較して優れた有効性と堅牢性を示した。
論文 参考訳（メタデータ） (2025-08-30T14:56:53Z) - DeAR: Dual-Stage Document Reranking with Reasoning Agents via LLM Distillation [26.719288314007002]
大規模言語モデル(LLM)は、候補集合に対する大域的推論を可能にすることで、リストワイズドキュメントの優先順位を変更している。
textbfDeeptextbfAgenttextbfRank(textbfDeAR)を提案する。
論文 参考訳（メタデータ） (2025-08-23T11:46:08Z) - TFRank: Think-Free Reasoning Enables Practical Pointwise LLM Ranking [21.930228130429573]
LLM(Large Language Models)上に構築された推論集約型ランキングモデルは、顕著な進歩を遂げた。
既存のアプローチは、しばしば大規模なLCMと明示的なチェーン・オブ・ソート(CoT)推論に依存している。
我々は,小規模LLMに基づく効率的なポイントワイズ推論ランキングである textbfTFRank を提案する。
論文 参考訳（メタデータ） (2025-08-13T06:47:58Z) - ReasonRank: Empowering Passage Ranking with Strong Reasoning Ability [83.16850534680505]
本稿では,自動推論集約型トレーニングデータ合成フレームワークを提案する。
自己整合性データフィルタリング機構は、データ品質を保証するために設計されている。
トレーニングされた推論集約型リランカ textbfReasonRank は,BRIGHT のリーダボード上での最先端 (SOTA) のパフォーマンス40.6 を達成する。
論文 参考訳（メタデータ） (2025-08-09T17:26:18Z) - Rank-R1: Enhancing Reasoning in LLM-based Document Rerankers via Reinforcement Learning [76.50690734636477]
ランキングタスクを実行する前にユーザクエリと候補文書の両方を推論する新しいLCMベースのリランカである Rank-R1 を導入する。
TREC DL と BRIGHT データセットを用いた実験により,Ranc-R1 が特に複雑なクエリに対して非常に有効であることが判明した。
論文 参考訳（メタデータ） (2025-03-08T03:14:26Z) - BRIGHT: A Realistic and Challenging Benchmark for Reasoning-Intensive Retrieval [54.54576644403115]
BRIGHTは、関係する文書を検索するために、集中的推論を必要とする最初のテキスト検索ベンチマークである。
私たちのデータセットは、経済学、心理学、数学、コーディングなど、さまざまな領域にまたがる1,384の現実世界のクエリで構成されています。
クエリに関する明示的な推論を取り入れることで、検索性能が最大12.2ポイント向上することを示す。
論文 参考訳（メタデータ） (2024-07-16T17:58:27Z) - Large Language Models are Effective Text Rankers with Pairwise Ranking Prompting [65.00288634420812]
Pairwise Ranking Prompting (PRP)は、大規模言語モデル(LLM)の負担を大幅に軽減する手法である。
本研究は,中等級のオープンソースLCMを用いた標準ベンチマークにおいて,最先端のランク付け性能を達成した文献としては初めてである。
論文 参考訳（メタデータ） (2023-06-30T11:32:25Z)
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。