論文の概要: QASP: Query-Adaptive Robust Vector Search Policy

• arxiv url: http://arxiv.org/abs/2607.29606v1
• Date: Fri, 31 Jul 2026 16:38:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.815145
• Title: QASP: Query-Adaptive Robust Vector Search Policy
• Title（参考訳）: QASP: クエリ適応ロバストベクトル検索ポリシー
• Abstract要約: 我々はQASP(Query-Adaptive robust vector Search Policy)を導入し,クエリ毎のリコール進行曲線を予測する。 QASPはリコールターゲット、インデックス設定、データセットをまたいだ一般化を行う。 ターゲットからのリコールのばらつきと逸脱を著しく低減し、クエリ満足度を高め、リトレーニングなしで大規模データや階層インデックスにスケールする。
• 参考スコア（独自算出の注目度）: 10.528852521712254
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A fundamental challenge of vector search is achieving consistently high recall while minimizing computational costs. Fixed search parameters cause significant performance variance across queries, and conventional evaluation on average recall masks these per-query disparities. We introduce QASP (Query-Adaptive robust vector Search Policy), which predicts the complete recall progression curve per query via a single upfront supervised regression, from which a search policy is derived for any recall target; this avoids iterative model invocations during search or separate predictors per target. By predicting normalized recall values with scale-invariant features and pre-search inference, QASP generalizes across recall targets, index configurations, and datasets. Its fine-grained progress predictions further enable a lightweight reactive complement that adjusts search depth based on predicted-versus-observed deviations without additional inference. We prove that QASP requires a finite training sample independent of dataset size and dimensionality, that its loss exceeds the irreducible lower bound of any fixed policy by a vanishing margin, and that its data access savings over fixed probing grow exponentially in intrinsic dimensionality. Experimentally, QASP achieves significantly lower recall variance and deviation from target, higher query satisfaction rate, and scales to large data and hierarchical indices without retraining, achieving 99% recall with 80% less data access.
• Abstract（参考訳）: ベクトル探索の基本的な課題は、計算コストを最小化しながら、常に高いリコールを達成することである。 固定された探索パラメータはクエリ間で大きな性能ばらつきを生じさせ、従来のリコールマスクではこれらのクエリごとの相違が評価されている。 本稿では,QASP (Query-Adaptive robust vector Search Policy)を導入し,クエリ毎の完全リコール進行曲線を,検索ポリシーが任意のリコール対象に対して導出される単一の事前教師付き回帰を通じて予測する。 スケール不変の機能と事前検索推論を備えた正規化リコール値の予測により、QASPはリコールターゲット、インデックス設定、データセットをまたいだ一般化を行う。 その微細な進捗予測により、追加の推論なしに、予測逆観測偏差に基づいて探索深度を調整する軽量な反応性補完が可能となる。 我々は,QASPがデータセットのサイズや次元に依存しない有限のトレーニングサンプルを必要とすること,その損失が固定政策の既約下限を超えること,固定探索によるデータアクセスの節約が本質的な次元で指数関数的に増加することを証明した。 実験的に、QASPは、ターゲットからのリコール分散と逸脱を著しく低減し、クエリ満足度が高く、再トレーニングなしで大規模データや階層インデックスにスケールし、データアクセスを80%削減し、99%のリコールを達成する。

関連論文リスト

• Can QPP Choose the Right Query Variant? Evaluating Query Variant Selection for RAG Pipelines [48.34524144147475]
  LLM(Large Language Models)は、現代の検索やRAG(Retrieval-Augmented Generation)パイプラインにおいて、クエリ再構成を至るところで実現している。 本稿では、アドホック検索とエンドツーエンドRAGをまたいで、クエリ性能予測(QPP)を異種選択のメカニズムとして検討する。
  論文  参考訳（メタデータ） (2026-04-24T15:36:40Z)
• Randomized Antipodal Search Done Right for Data Pareto Improvement of LLM Unlearning [32.47205256755341]
  大規模言語モデル(LLM)は、時には望ましくない知識を記憶するが、デプロイ後に取り除かなければならない。 本稿では,ランダム化された反ポッド探索と置換投影ハッシュを組み合わせた探索アルゴリズムであるRASLIKを提案する。 複数のモデル、データセット、未学習アルゴリズムを通じて、RASLIKは決定論的ベースラインやオラクルサンプリングよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-04-17T17:43:39Z)
• AcuRank: Uncertainty-Aware Adaptive Computation for Listwise Reranking [35.685682379377134]
  大規模言語モデル (LLMs) によるリストのランク付けは、検索ベースのアプリケーションにおいて上位のランク付けされた結果を強化する。 AcuRank は文書関連性に対する不確実性推定に基づいて動的に計算量と目標を調節する適応型再ランクフレームワークである。 TREC-DLとBEIRのベンチマークの結果から,提案手法は精度・効率のトレードオフを一貫して達成し,固定計算ベースラインよりも計算能力に優れることがわかった。
  論文  参考訳（メタデータ） (2025-05-24T05:15:49Z)
• Fast or Better? Balancing Accuracy and Cost in Retrieval-Augmented Generation with Flexible User Control [52.405085773954596]
  Retrieval-Augmented Generationは、大規模な言語モデル幻覚を緩和するための強力なアプローチとして登場した。 既存のRAGフレームワークは、しばしば無差別に検索を適用し、非効率な再検索につながる。 本稿では,精度・コストのトレードオフを動的に調整できる新しいユーザ制御可能なRAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:56:20Z)
• Query Performance Prediction using Relevance Judgments Generated by Large Language Models [53.97064615557883]
  自動生成関連判定(QPP-GenRE)を用いた新しいクエリ性能予測(QPP)フレームワークを提案する。 QPP-GenREは、QPPを独立したサブタスクに分解し、ランクリスト内の各項目の関連性を所定のクエリに予測する。 我々は,オープンソースの大規模言語モデル (LLM) を用いて,科学的妥当性を確保することにより,項目の関連性を予測する。
  論文  参考訳（メタデータ） (2024-04-01T09:33:05Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• SLURP: Side Learning Uncertainty for Regression Problems [3.5321916087562304]
  副学習者による回帰不確実性推定のための一般的な手法であるSLURPを提案する。 コンピュータビジョンにおける2つの重要な回帰タスク、すなわち単眼深度と光フロー推定でSLURPをテストする。
  論文  参考訳（メタデータ） (2021-10-21T14:50:42Z)
• High-dimensional regression with potential prior information on variable importance [0.0]
  順序付けによって示されるモデルの列に適合する簡単なスキームを提案する。 リッジ回帰を用いた場合の全てのモデルの適合に対する計算コストは、リッジ回帰の1つの適合に留まらないことを示す。 モデル全体の整合性を大幅に高速化するために,従来の整合性を利用したラッソ回帰の戦略を述べる。
  論文  参考訳（メタデータ） (2021-09-23T10:34:37Z)
• Generalizable Mixed-Precision Quantization via Attribution Rank Preservation [90.26603048354575]
  効率的な推論のための一般化可能な混合精度量子化法(GMPQ)を提案する。 提案手法は,最先端の混合精度ネットワークと比較し,競合精度・複雑度トレードオフを求める。
  論文  参考訳（メタデータ） (2021-08-05T16:41:57Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)

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。