論文の概要: Towards a Relevance Posterior in Neural Information Access

• arxiv url: http://arxiv.org/abs/2607.23561v1
• Date: Sun, 26 Jul 2026 09:24:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.150669
• Title: Towards a Relevance Posterior in Neural Information Access
• Title（参考訳）: ニューラル・インフォメーション・アクセスにおける関連ポスターに向けて
• Abstract要約: 我々は、現代の情報アクセスシステムは、より自然に、近似的な後続推論を行うものとして理解されていると論じる。 文書レベルの信念と相互作用レベルの信念を混同しながらオフラインに移行する新たな機会を明らかにする。
• 参考スコア（独自算出の注目度）: 27.7246652244883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern information retrieval systems typically operationalise relevance as a query-conditional score computed at inference time. This design choice has become dominant such that alternative decompositions of relevance are rarely discussed, despite the long history of document and query priors in probabilistic retrieval and large-scale search. As neural ranking models grow more computationally expensive and retrieval pipelines expand to include multi-stage ranking, recommendation, and retrieval-augmented generation, this monolithic view of query-time scoring becomes increasingly limiting. We argue that modern information access systems are more naturally understood as performing approximate posterior inference, in which relevance is refined through a staged combination of query-dependent likelihoods and query-independent priors. We extend classical probabilistic retrieval formalisms to contemporary learned systems and show how explicit likelihood-prior decomposition exposes new opportunities to shift computation offline while disentangling document-level and interaction-level beliefs. We present empirical evidence that incorporating query-independent document utility can complement existing rankers and improve effectiveness with minimal query-time computation (solely score fusion). Concretely, a learned prior improves first-stage retrieval through rank fusion (up to 0.046 nDCG@10 on TREC DL-2019 and 0.029 nDCG@10 on TREC DL-2020) and also improves downstream re-ranking, with the largest gains observed for the LLM re-ranker RankZephyr (up to 0.054 nDCG@10 on TREC DL-2020). Finally, we discuss how this decomposition connects to broader information access and outline research directions for designing retrieval systems that explicitly allocate modelling capacity between offline priors and online interaction.
• Abstract（参考訳）: 現代の情報検索システムは、一般的に、推論時に計算されたクエリ条件スコアとして関連性を操作する。 この設計選択は、文書の長い歴史と、確率的検索と大規模検索におけるクエリの先行性にもかかわらず、関連性の代替的な分解がほとんど議論されないように支配的になっている。 ニューラルネットワークのランキングモデルがより計算コストが高くなり、検索パイプラインが多段階のランク付け、レコメンデーション、検索強化生成を含むように拡大するにつれ、クエリ時間スコアのこのモノリシックなビューは、ますます制限される。 現代の情報アクセスシステムは、クエリに依存しない確率とクエリに依存しない事前の段階的な組み合わせによって関連性を洗練させるような、近似的な後続推論を行うものとして、より自然に理解されていると論じる。 古典的確率論的検索形式を現代の学習システムに拡張し、文書レベルと相互作用レベルの信念を混同しながら、計算をオフラインにシフトする新たな機会を明らかにする。 本稿では,クエリ非依存のドキュメントユーティリティを組み込むことで,既存のローダを補完し,クエリ時計算の最小化(スコア融合)により効率を向上できるという実証的証拠を示す。 具体的には、学習前は階数融合(TREC DL-2019では0.046 nDCG@10、TREC DL-2020では0.029 nDCG@10)による第1段検索を改善し、下流再ランクも改善し、LLM再ランクのRanZephyr(TREC DL-2020では0.054 nDCG@10まで)で最大のゲインが観測された。 最後に、この分解がより広範な情報アクセスとどのように結びつくのかを議論し、オフラインとオンラインの相互作用の間のモデリング能力を明確に割り当てる検索システムを設計するための研究の方向性を概説する。

関連論文リスト

• Multimodal Hybrid Retrieval-Augmented Generation for Scientific Document Understanding using Open-Source SLMs [45.88028371034407]
  大規模言語モデルは、前もって微調整を行わずに、科学的文書からドメイン固有のキーオンに答えるときに幻覚を起こす傾向がある。 本稿では,これらの課題を解決するための高度なマルチモーダル検索型生成システムを提案する。 Qwen2-VL-2B-InstructはBERTScoreのクラウドベースモデルに匹敵する結果を得た。
  論文  参考訳（メタデータ） (2026-07-06T08:32:09Z)
• 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)
• A Learning-Based Superposition Operator for Non-Renewal Arrival Processes in Queueing Networks [0.0]
  到着プロセスの重ね合わせは、待ち行列ネットワークにおける基本的だが解析的に難解な操作である。 本稿では,複数の到着ストリームの低次モーメントと自己相関記述子をマージしたプロセスにマッピングするスケーラブルなデータ駆動演算子を提案する。
  論文  参考訳（メタデータ） (2026-03-11T13:46:32Z)
• Beyond Relevance: On the Relationship Between Retrieval and RAG Information Coverage [89.58253972744531]
  Retrieval-augmented Generation (RAG) システムは、文書検索と生成モデルを組み合わせて、レポート生成のような複雑な情報を求める課題に対処する。 我々は,上流の検索指標が,最終生成応答の情報カバレッジの信頼性の高い早期指標として機能するかどうかを検討する。 本研究は,トピックとシステムレベルの両方で生成した応答におけるカバレッジベース検索指標とナゲットカバレッジとの間に強い相関関係を示した。
  論文  参考訳（メタデータ） (2026-03-09T18:20:20Z)
• Multi-hop Reasoning via Early Knowledge Alignment [68.28168992785896]
  アーリー・ナレッジ・アライメント(EKA)は、大規模言語モデルと文脈的に関連づけられた知識を整合させることを目的としている。 EKAは検索精度を大幅に改善し、カスケードエラーを低減し、性能と効率を向上する。 EKAは、大規模モデルにシームレスにスケールする、多目的でトレーニング不要な推論戦略として有効である。
  論文  参考訳（メタデータ） (2025-12-23T08:14:44Z)
• Rethinking On-policy Optimization for Query Augmentation [49.87723664806526]
  本稿では,様々なベンチマークにおいて,プロンプトベースとRLベースのクエリ拡張の最初の体系的比較を示す。 そこで我々は,検索性能を最大化する擬似文書の生成を学習する,新しいハイブリッド手法 On-policy Pseudo-document Query Expansion (OPQE) を提案する。
  論文  参考訳（メタデータ） (2025-10-20T04:16:28Z)
• Tree-Based Text Retrieval via Hierarchical Clustering in RAGFrameworks: Application on Taiwanese Regulations [0.0]
  階層的なクラスタリングに基づく検索手法を提案する。 本手法は,意味的関連コンテンツを適応的に選択しながら,システム応答の精度と関連性を維持する。 我々のフレームワークは実装が簡単で、既存のRAGパイプラインと簡単に統合できます。
  論文  参考訳（メタデータ） (2025-06-16T15:34:29Z)
• Optimizing Compound Retrieval Systems [30.21938278062652]
  本稿では,複数の予測モデルを適用したより広範な検索システムとして,複合検索システムの概念を提案する。 我々は,従来のBM25検索モデルと最先端(ペアワイズ)のLLM関連予測を組み合わせた複合手法を提案する。 実験の結果,最適化された複合検索システムは,カスケード手法よりも効率と効率のトレードオフが優れていることがわかった。
  論文  参考訳（メタデータ） (2025-04-16T13:18:16Z)
• Breaking the Lens of the Telescope: Online Relevance Estimation over Large Retrieval Sets [14.494301139974455]
  本稿では,オンライン関連度推定という新たな手法を提案する。 オンライン関連度推定は、ランキングプロセスを通して、クエリの関連度推定を継続的に更新する。 TRECベンチマークの手法をハイブリッド検索と適応検索の2つのシナリオで検証する。
  論文  参考訳（メタデータ） (2025-04-12T22:05:50Z)
• pEBR: A Probabilistic Approach to Embedding Based Retrieval [9.186585413958769]
  埋め込みベースの検索は、クエリとアイテムの両方の共有セマンティック表現空間を学習することを目的としている。 我々は,textbfprobabilistic textbfEmbedding-textbfBased textbfRetrieval (textbfpEBR) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-25T07:14:12Z)
• Rethinking Complex Queries on Knowledge Graphs with Neural Link Predictors [58.340159346749964]
  本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。 これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。 提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
  論文  参考訳（メタデータ） (2023-04-14T11:35:35Z)
• Incorporating Relevance Feedback for Information-Seeking Retrieval using Few-Shot Document Re-Ranking [56.80065604034095]
  我々は,クエリとユーザが関連すると考えるドキュメントとの類似性に基づいて,文書を再参照するkNNアプローチを提案する。 異なる統合戦略を評価するため、既存の4つの情報検索データセットを関連フィードバックシナリオに変換する。
  論文  参考訳（メタデータ） (2022-10-19T16:19:37Z)

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。