論文の概要: Adaptive Re-Ranking

• arxiv url: http://arxiv.org/abs/2606.25249v1
• Date: Wed, 24 Jun 2026 00:12:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.170302
• Title: Adaptive Re-Ranking
• Title（参考訳）: Adaptive Re-Ranking
• Abstract要約: コスト対応ルーティングのためのユーティリティベースのラベリングフレームワークであるAdaptive Re-Rankingを提案する。 我々は、スパース検索(BM25)、密度再ランク(MiniLM-L6-v2)、重神経再ランク(BGE-v2-m3)の3つの戦略でルーティング分類器を訓練する。 BGEと比較すると,テスト対象のデータセットの平均レイテンシは1.15～53倍,平均レイテンシは1.11～5.22倍で,-17.5%から+4.0%のnDCG@10を提供する。
• 参考スコア（独自算出の注目度）: 9.210588331263503
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern Information Retrieval (IR) systems typically use a "retrieve-then-rerank" pipeline, where a computationally expensive, pre-determined cross-encoder re-ranks the top results from a fast initial retriever. While effective, this approach often applies heavy re-ranking models regardless of query complexity, resulting in high latency and wasted computational resources on simple queries. We propose Adaptive Re-Ranking, an utility-based labeling framework for cost-aware routing and present empirical evidence (via oracle analysis and a trained baseline router) that per-query routing offers large potential gains but is non-trivial to learn from limited supervision. We train a routing classifier with 3 strategies: sparse retrieval (BM25), dense re-ranking (MiniLM-L6-v2), and heavy neural re-ranking (BGE-v2-m3). Compared to BGE our method achieves 1.15-53x lower median latency and 1.11-5.22x lower mean latency across all datasets we have tested, while delivering -17.5% to +4.0% nDCG@10, which is competitive in some datasets. Our findings show that routing queries based on our novel utility function offers a scalable solution for reducing computational costs and latency in a variety of IR systems.
• Abstract（参考訳）: 現代の情報検索 (IR) システムは典型的には "Retrieve-then-rerank" パイプラインを使用する。 このアプローチは効率的ではあるが、クエリの複雑さに関わらず重大に再ランク付けされたモデルを適用することが多く、結果として単純なクエリ上で高いレイテンシと計算リソースが無駄になる。 本稿では,コストアウェアルーティングのためのユーティリティベースのラベリングフレームワークであるAdaptive Re-Rankingを提案する。 我々は、スパース検索(BM25)、高密度再ランク(MiniLM-L6-v2)、重神経再ランク(BGE-v2-m3)の3つの戦略でルーティング分類器を訓練する。 BGEと比較して、我々の方法は、テストしたすべてのデータセットの平均レイテンシが1.15～53倍、平均レイテンシが1.11～5.22倍、一方、一部のデータセットでは競合する-17.5%から+4.0%のnDCG@10を提供する。 我々の新しいユーティリティ関数に基づくルーティングクエリは、様々なIRシステムにおいて計算コストと遅延を削減できるスケーラブルなソリューションを提供することを示す。

関連論文リスト

• Test-Time Training for Zero-Resource Dense Retrieval Reranking [3.498051445282382]
  既存のアプローチは基本的なジレンマに直面している。クロスエンコーダは、強いリランク品質を提供するが、高価な教師付きトレーニングと高いレイテンシを必要とする。 本稿では,DART(Dense Adaptive Re rank at Test-time)を提案する。 6つのBEIRベンチマークで、DARTはデータベース毎の相対的なNDCG@10ゲイン(+2.1%)を高密度検索ベースラインで達成し、クエリ毎のレイテンシは10ミリ秒以下である。
  論文  参考訳（メタデータ） (2026-05-31T07:26:40Z)
• Test-Time Strategies for More Efficient and Accurate Agentic RAG [58.44913384057518]
  Retrieval-Augmented Generation (RAG) システムは複雑なマルチホップ問題に直面している。 このような手法は、以前に処理された情報の反復的な検索を含む非効率性を導入することができる。 本稿では,これらの問題を軽減するために,サーチ-R1パイプラインに対するテスト時間修正について検討する。
  論文  参考訳（メタデータ） (2026-03-12T19:18:59Z)
• LACONIC: Dense-Level Effectiveness for Scalable Sparse Retrieval via a Two-Phase Training Curriculum [73.82125917416067]
  LACONICは、Llama-3アーキテクチャに基づく学習されたスパースレトリバーのファミリーである。 8Bの派生型はMTEB Retrievalベンチマークで最先端の60.2 nDCGを達成し、リーダーボードで15位となった。
  論文  参考訳（メタデータ） (2026-01-04T22:42:20Z)
• Dr.LLM: Dynamic Layer Routing in LLMs [55.11953638340419]
  Dr.LLMは、事前訓練されたモデルに軽量な層ごとのルータを装備し、ブロックをスキップ、実行、繰り返すように決定する、適合性のあるフレームワークである。 ARC(logic)とDART(math)では、Dr.LLMは平均で5つのレイヤを保存しながら、最大3.4%の精度向上を実現している。
  論文  参考訳（メタデータ） (2025-10-14T17:51:26Z)
• Towards High Data Efficiency in Reinforcement Learning with Verifiable Reward [54.708851958671794]
  オフラインとオンラインの両方のデータ選択のための最適化戦略を組み合わせた,データ効率のよいポリシ最適化パイプラインを提案する。 オフラインフェーズでは、多様性、影響、適切な難易度に基づいて、トレーニングサンプルの高品質なサブセットをキュレートする。 オンラインRLVRトレーニングにおいて、探索可能性の低いサンプルを動的にフィルタリングするサンプルレベルの探索性指標を導入する。
  論文  参考訳（メタデータ） (2025-09-01T10:04:20Z)
• LTRR: Learning To Rank Retrievers for LLMs [53.285436927963865]
  ルーティングベースのRAGシステムは、単一リトリバーベースのシステムよりも優れていることを示す。 パフォーマンス向上は、特にAnswer Correctness(AC)メトリックでトレーニングされたモデルで顕著である。 SIGIR 2025 LiveRAG チャレンジの一環として,提案システムを用いて提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-06-16T17:53:18Z)
• SkewRoute: Training-Free LLM Routing for Knowledge Graph Retrieval-Augmented Generation via Score Skewness of Retrieved Context [39.19789380714972]
  大規模な言語モデルは多くのタスクで優れていますが、デプロイ時に高い推論コストがかかります。 そこで本稿では,KG-RAGのための極めてシンプルで効果的なルーティングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-28T14:45:56Z)
• Rethinking Predictive Modeling for LLM Routing: When Simple kNN Beats Complex Learned Routers [3.090041654375235]
  我々は、k-Nearest Neighbors (kNN) アプローチが、様々なタスクにまたがる最先端の学習ルータよりも優れていることを示す。 その結果, 埋め込み空間におけるモデル性能の局所性は, 単純な非パラメトリック手法によって強いルーティング決定を実現できることがわかった。
  論文  参考訳（メタデータ） (2025-05-19T01:33:41Z)
• Low Rank Learning for Offline Query Optimization [9.66585417707793]
  近年の学習クエリのデプロイでは、高価なニューラルネットワークとアドホック検索ポリシが使用されている。 低ランク学習を利用したオフラインクエリ最適化フレームワークである textscLimeQO を紹介する。 作業負荷を部分的に観測された低ランク行列としてモデル化することにより、純粋に線形な手法を用いて、観測されていないクエリプランのレイテンシを予測する。
  論文  参考訳（メタデータ） (2025-04-08T19:41:19Z)
• Reinforcement Learning for Branch-and-Bound Optimisation using Retrospective Trajectories [72.15369769265398]
  機械学習は分岐のための有望なパラダイムとして登場した。 分岐のための単純かつ効果的なRLアプローチであるレトロ分岐を提案する。 我々は現在最先端のRL分岐アルゴリズムを3～5倍に上回り、500の制約と1000の変数を持つMILP上での最高のILメソッドの性能の20%以内である。
  論文  参考訳（メタデータ） (2022-05-28T06:08:07Z)
• Gradual Channel Pruning while Training using Feature Relevance Scores for Convolutional Neural Networks [6.534515590778012]
  プルーニングは、ディープネットワーク圧縮に使用される主要なアプローチの1つである。 そこで本研究では,新しいデータ駆動計測法を用いて,学習手法を訓練しながら,簡便な効率の段階的なチャネルプルーニングを提案する。 本稿では,VGGやResNetなどのアーキテクチャにおける提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2020-02-23T17:56:18Z)

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。