論文の概要: PLAID-PRF: Pseudo-Relevance Feedback with Centroid-like Tokens in PLAID

• arxiv url: http://arxiv.org/abs/2607.18626v1
• Date: Tue, 21 Jul 2026 01:50:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.290834
• Title: PLAID-PRF: Pseudo-Relevance Feedback with Centroid-like Tokens in PLAID
• Title（参考訳）: PLAID-PRF: Pseudo-Relevance Feedback with Centroid-like Tokens in PLAID
• Abstract要約: ColBERTのような多ベクトル密度検索モデルは、クエリとドキュメント間のきめ細かいトークンレベルの相互作用をモデル化することで、強力な検索効率を実現する。 我々は、Pseudo-Relevance Feedback (PRF) をPLAID上で実行し、上位検索結果に基づいてColBERTのクエリベクトルを再構成する手法であるPLAID-PRFを紹介する。
• 参考スコア（独自算出の注目度）: 33.949155964918965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-vector dense retrieval models, such as ColBERT, achieve strong retrieval effectiveness by modelling fine-grained token-level interactions between queries and documents. Methods such as PLAID use centroid-based quantisation of each token's vector to reduce the index size and speed up retrieval while maintaining strong effectiveness. In this work, we introduce PLAID-PRF, a method that performs Pseudo-Relevance Feedback (PRF) over PLAID to reformulate ColBERT's query vectors based on the top-retrieved results. In contrast with prior methods that perform PRF on multi-vector retrieval models, PLAID-PRF keeps computational costs low by leveraging the internal PLAID centroid vectors, treating them similarly to tokens in traditional PRF methods. The method selects a small and diverse set of high-utility expansion vectors and appends them to the original query, rerunning PLAID to refine both candidate generation and final scoring. Extensive experiments on the standard in-domain MSMARCO and four out-of-domain BEIR benchmarks show that PLAID-PRF consistently improves retrieval effectiveness over various baselines. In particular, PLAID-PRF improves over PLAID by up to 4.3% nDCG@10 and 7.3% MRR@10, while introducing substantially less computation overhead than prior PRF methods. The results demonstrate that our proposed centroid-aware PRF method offers an effective and lightweight mechanism to improve the quality of top-ranked retrieved results. Overall, this work enables effective and efficient feedback-aware late-interaction retrieval without expensive query-time document-token clustering.
• Abstract（参考訳）: ColBERTのような多ベクトル密度検索モデルは、クエリとドキュメント間のきめ細かいトークンレベルの相互作用をモデル化することで、強力な検索効率を実現する。 PLAIDのような手法では、それぞれのトークンベクトルのセントロイドベースの量子化を使用してインデックスのサイズを減らし、高い有効性を維持しながら検索を高速化する。 本研究では,Pseudo-Relevance Feedback (PRF) をPLAID上で実行し,上位検索結果に基づいてColBERTのクエリベクトルを再構成する手法であるPLAID-PRFを提案する。 多ベクトル検索モデルでPRFを行う従来の手法とは対照的に、PLAID-PRFは内部のPLAIDセントロイドベクトルを利用して計算コストを低く保ち、従来のPRF方式のトークンと同様に扱う。 提案手法は,小型で多種多様な拡張ベクトルを選択し,それらを元のクエリに付加し,PLAIDを再実行して候補生成と最終スコアの両方を洗練させる。 標準ドメイン MSMARCO と 4 つのドメイン外 BEIR ベンチマークの広範な実験により、PLAID-PRF は様々なベースライン上での検索効率を一貫して改善することが示された。 特にPLAID-PRFはPLAIDよりも最大4.3%のnDCG@10と7.3%のMRR@10で改善されている。 その結果,提案手法は,トップランク検索結果の品質向上に有効な,かつ軽量な手法であることがわかった。 全体として、この作業は、高価なクエリ時間文書トークンクラスタリングを使わずに、効率的で効率的なフィードバック対応の遅延インタラクション検索を可能にする。

関連論文リスト

• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• Pseudo Relevance Feedback is Enough to Close the Gap Between Small and Large Dense Retrieval Models [29.934928091542375]
  大規模言語モデル (LLM) のバックボーンに高密度レトリバーを拡張させることは, 検索効率を向上させる主要な戦略である。 本稿では,機能ベースの擬似関連フィードバック(PRF)フレームワークであるPromptPRFを紹介する。
  論文  参考訳（メタデータ） (2025-03-19T04:30:20Z)
• Fractional Correspondence Framework in Detection Transformer [13.388933240897492]
  Detection Transformer (DETR) はオブジェクト検出タスクのマッチングプロセスを大幅に単純化した。 このアルゴリズムは、予測された有界箱とトレーニング中の接地的アノテーションとの最適な1対1マッチングを容易にする。 本稿では,予測と地上の真実を整合させるコストを捉え,最も正確な対応を見つけるためのフレキシブルマッチング戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-06T05:29:20Z)
• A Simple and Effective Reinforcement Learning Method for Text-to-Image Diffusion Fine-tuning [61.403275660120606]
  強化学習(Reinforcement Learning, RL)に基づく微調整は, 拡散モデルとブラックボックスの目的を整合させる強力なアプローチとして登場した。 拡散微調整のための新しいRLであるLOOP(Left-one-out PPO)を提案する。 以上の結果から, LOOPは様々なブラックボックス対象の拡散モデルを効果的に改善し, 計算効率と性能のバランスを良くすることを示す。
  論文  参考訳（メタデータ） (2025-03-02T13:43:53Z)
• ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
  ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。 巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
  論文  参考訳（メタデータ） (2024-12-11T12:31:30Z)
• Faster WIND: Accelerating Iterative Best-of-$N$ Distillation for LLM Alignment [81.84950252537618]
  本稿では,反復的BONDと自己プレイアライメントの統一的なゲーム理論接続を明らかにする。 WINレート支配(WIN rate Dominance, WIND)という新しいフレームワークを構築し, 正規化利率支配最適化のためのアルゴリズムを多数提案する。
  論文  参考訳（メタデータ） (2024-10-28T04:47:39Z)
• Improving Out-of-Distribution Detection by Combining Existing Post-hoc Methods [1.747623282473278]
  ポストホックディープ・オブ・ディストリビューション(OOD)検出は急速に拡大した。 現在のベストプラクティスは、手元にあるデータセット上のすべてのメソッドをテストすることです。 本稿では,OOD検出を効果的に組み合わせるための新しい手法の開発に焦点を移す。
  論文  参考訳（メタデータ） (2024-07-09T15:46:39Z)
• A Reproducibility Study of PLAID [25.86500025007641]
  我々はPLAIDと論文から欠落した重要なベースラインを比較した。 ColBERTv2 を BM25 の初期プール上に再ランカとして適用することにより,低レイテンシ環境での効率効率・効率性トレードオフが向上することがわかった。 この制限を克服するために、最近提案された上位文書の隣人を引き出すように、再ランク付けする修正が提案されていることが分かりました。
  論文  参考訳（メタデータ） (2024-04-23T12:46:53Z)
• Frugal Actor-Critic: Sample Efficient Off-Policy Deep Reinforcement Learning Using Unique Experiences [8.983448736644382]
  リプレイバッファの効率的な利用は、非政治アクター-犯罪強化学習(RL)アルゴリズムにおいて重要な役割を担っている。 本稿では,ユニークなサンプルを選択してリプレイバッファに追加することに焦点を当てた,サンプル効率を実現する手法を提案する。
  論文  参考訳（メタデータ） (2024-02-05T10:04:00Z)
• Transformer-based Context Condensation for Boosting Feature Pyramids in Object Detection [77.50110439560152]
  現在の物体検出器は、通常マルチレベル特徴融合(MFF)のための特徴ピラミッド(FP)モジュールを持つ。 我々は,既存のFPがより優れたMFF結果を提供するのに役立つ,新しい,効率的なコンテキストモデリング機構を提案する。 特に,包括的文脈を2種類の表現に分解・凝縮して高効率化を図っている。
  論文  参考訳（メタデータ） (2022-07-14T01:45:03Z)
• Fast Variational AutoEncoder with Inverted Multi-Index for Collaborative Filtering [59.349057602266]
  変分オートエンコーダ (VAE) は, 協調フィルタリングの非線形手法として拡張されている。 内積に基づくソフトマックス確率を逆多重インデックスに基づいて分解する。 FastVAEはサンプリング品質と効率の両面で最先端のベースラインを上回っます。
  論文  参考訳（メタデータ） (2021-09-13T08:31:59Z)

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。