論文の概要: Exact Adaptive Hybrid Retrieval Without Fixed Top-L Cutoffs
- arxiv url: http://arxiv.org/abs/2608.07152v1
- Date: Fri, 07 Aug 2026 12:14:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.493331
- Title: Exact Adaptive Hybrid Retrieval Without Fixed Top-L Cutoffs
- Title（参考訳）: 固定トップLカットオフのない適応型ハイブリッド検索
- Abstract要約: Exact Adaptive Hybrid Retrievalは、完全リスト重み付きRFFで定義されたTop-$K$を固定する。
EAHRは要求毎にスピードアップを保証していない。現在のランキングに実行深度を適用しながら、正確な結果を修正する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern retrieval-augmented generation (RAG) systems often fuse fixed Top-$L$ results from dense and sparse retrievers, treating later contributions as zero. The cutoff therefore determines both the ranking and its execution cost. Yet truncated fusion is not generally equivalent to complete-list fusion: unread cross-list ranks can change Top-$K$ membership or order even when the observed candidates contain every item in the complete-list Top-$K$. Because channel rankings vary across queries and corpus updates, a depth selected from historical queries may not transfer reliably. We propose Exact Adaptive Hybrid Retrieval (EAHR), which fixes the ordered Top-$K$ defined by complete-list weighted RRF as the retrieval target and treats channel depth as request-specific execution state. Per-Vector Scalar Quantization (PVS) and Posting Block-Max (PBM) produce resumable exact dense and sparse rankings. Fusion bounds unread contributions and requests further ranks only while they can change the Top-$K$. Every successful request therefore matches complete-list fusion without a preset Top-$L$; otherwise, execution continues safely to list exhaustion. Across five test collections and five temporal corpus snapshots, complete-list weighted RRF remained competitive, whereas fixed depths selected from historical queries did not transfer reliably. EAHR reproduced the complete-list ordered Top-20 in all 150 query-snapshot combinations. Under a warm-cache, interleaved, order-balanced protocol, the paired geometric-mean latency ratios of exhaustive batch execution to EAHR were 23.35 on TREC-DL 2019 and 30.28 on TREC-DL 2020. Anti-correlated rankings exhausted both lists, and some difficult queries were slower with EAHR. EAHR does not guarantee a speedup for every request; it fixes the exact result while adapting execution depth to the current rankings.
- Abstract（参考訳）: 現代の検索強化生成(RAG)システムは、高密度でスパースな検索器から得られる固定されたTop-$L$の結果を融合させ、後の貢献をゼロとして扱う。
したがって、カットオフはランキングと実行コストの両方を決定する。
未読のクロスリストのランクは、完全なリストのTop-$K$の全ての項目を含む場合であっても、Top-$K$のメンバシップや順序を変更することができる。
チャネルランキングはクエリやコーパス更新によって異なるため、過去のクエリから選択した深さは確実に転送されない。
本稿では,完全リスト重み付きRFFで定義されたTop-K$を検索対象とし,チャネル深度を要求固有実行状態として扱うEact Adaptive Hybrid Retrieval (EAHR)を提案する。
Per-Vector Scalar Quantization (PVS) と Posting Block-Max (PBM) は、再利用可能な厳密でスパースなランキングを生成する。
Fusionは未読のコントリビューションを制限し、Top-$K$を変更できる間だけ、さらなるランク付けを要求する。
したがって、成功しているリクエストはすべて、予め設定されたTop-$L$を使わずに完全なリストの融合と一致します。
5つのテストコレクションと5つの時間的コーパススナップショット、完全リストの重み付きRFFは競争力を維持したが、過去のクエリから選択された固定深度は確実に転送されなかった。
EAHRは150のクェリとスナップショットの組み合わせで全リストのTop-20を再現した。
暖かくて、インターリーブされ、順序バランスの取れたプロトコルの下で、EAHRに対する排他的バッチ実行の幾何学平均遅延比は、TREC-DL 2019では23.35、TREC-DL 2020では30.28であった。
関連性のないランキングは両方のリストを消し、EAHRではいくつかの難しいクエリが遅かった。
EAHRは要求毎にスピードアップを保証していない。現在のランキングに実行深度を適用しながら、正確な結果を修正する。
関連論文リスト
- Rank-Deviation Quality: A Distance-Aware Metric for Multi-Answer Retrieval and Ranking Evaluation [51.55909067323666]
Rank-Deviation Quality (RDQ) は、検索およびランキングシステムの評価指標である。
検索された基準項目はそれぞれ、ランクずれペナルティによって乗算された出力位置重みに寄与する。
RDQは順序付きランキングで動作し、アノテータはペアワイドまたはリストワイドの判断によって生成することができる。
論文 参考訳（メタデータ） (2026-08-26T03:00:18Z) - Test-Time Optimization of Query Embeddings with Ranking Aware Reward Maximization [13.137370980012525]
TTT-Embedは、冷凍モデルの出力埋め込み空間内の学習ベクトルにランキング報酬を蒸留するフレームワークである。
単一のスコープパラメータが再利用(グローバル、タスク、クエリ)を制御し、固定された報酬計算予算の下で再利用可能性と特異性の間の原則的なトレードオフを可能にする。
論文 参考訳（メタデータ） (2026-08-12T20:24:57Z) - Comparison Patrols on Drifting Orders: Certified Rank Maintenance, Evolving Planar Maxima, and Selection under Drifting Fitness [0.2864713389096699]
動的環境におけるランクベースの選択は、使用中に陳腐化する順序情報に作用する。
本稿では,欠落情報層をデータ構造問題として定式化する。
最大$n=65,536$の試験は、証明書、回復法則、平衡挙動、等予算の動的進化ループを監査する。
論文 参考訳（メタデータ） (2026-06-12T23:39:33Z) - F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。
この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。
このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。
本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-13T04:52:33Z) - UniRank: Unified List-wise Reranking via Confidence-Ordered Denoising [33.296591996616975]
リストの並べ替えは、リクエスト固有の候補項目のプールを、ユーザの満足度を最大化する順序付きスレートに配置する。
提案するUniRankは、ARとNARのリランカを特殊ケースとして復元する、リスト単位のリグレードフレームワークである。
Amazon Books、MovieLens-1M、および工業用ショートビデオデータセットの実験は、UniRankが一貫して最先端のベースラインを上回っていることを示している。
論文 参考訳（メタデータ） (2026-05-11T13:12:23Z) - RLPO: Residual Listwise Preference Optimization for Long-Context Review Ranking [50.709454968853954]
ポイントワイドスコアは効率的だが、しばしばリストレベルの相互作用を考慮に入れない。
リストワイズアプローチはグローバルなコンテキストを活用することができるが、計算コストが高く、候補リストが大きくなるにつれて不安定になる。
本稿では,リストワイズ表現レベルの残差補正としてランク付けするResidual Listwise Preference Optimization (RLPO)を提案する。
論文 参考訳（メタデータ） (2026-01-12T11:45:19Z) - HLTCOE Evaluation Team at TREC 2025: VQA Track [76.85337417923331]
HLT評価チームはTREC VQAのAnswer Generation (AG)タスクに参加した。
回答生成における意味的精度とランキングの整合性を改善することを目的としたリストワイズ学習フレームワークを開発した。
論文 参考訳（メタデータ） (2025-12-08T17:25:13Z) - List-aware Reranking-Truncation Joint Model for Search and
Retrieval-augmented Generation [80.12531449946655]
本稿では,2つのタスクを同時に実行可能なRe rank-Truncation joint model(GenRT)を提案する。
GenRTは、エンコーダ-デコーダアーキテクチャに基づく生成パラダイムによるリランクとトランケーションを統合している。
提案手法は,Web検索および検索拡張LLMにおけるリランクタスクとトラルケーションタスクの両方においてSOTA性能を実現する。
論文 参考訳（メタデータ） (2024-02-05T06:52:53Z) - Found in the Middle: Permutation Self-Consistency Improves Listwise Ranking in Large Language Models [63.714662435555674]
大規模言語モデル(LLM)は、文脈の使い方に位置バイアスを示す。
我々は,ブラックボックスLLMのランキングリスト出力に対して,自己整合性(permutation self-consistency)を提案する。
LLaMA v2 (70B) では GPT-3.5 では 7-18% , LLaMA v2 (70B) では 8-16% である。
論文 参考訳（メタデータ） (2023-10-11T17:59:02Z) - Self-Supervised Query Reformulation for Code Search [6.415583252034772]
本稿では,並列クエリコーパスに依存しない自己教師型クエリ再構成手法であるSSQRを提案する。
事前訓練されたモデルにインスパイアされたSSQRは、クエリ再構成をマスキング言語モデリングタスクとして扱う。
論文 参考訳（メタデータ） (2023-07-01T08:17:23Z) - SetRank: A Setwise Bayesian Approach for Collaborative Ranking from
Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。
具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。
また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文 参考訳（メタデータ） (2020-02-23T06:40:48Z)
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。