論文の概要: Dense Expands, Sparse Anchors: Channel-Asymmetric Query Expansion for Hybrid Retrieval

• arxiv url: http://arxiv.org/abs/2608.15851v1
• Date: Sun, 16 Aug 2026 16:43:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.443021
• Title: Dense Expands, Sparse Anchors: Channel-Asymmetric Query Expansion for Hybrid Retrieval
• Title（参考訳）: Dense Expands, Sparse Anchors:Hybrid Retrievalのためのチャネル非対称クエリ拡張
• Abstract要約: チャネル非対称なクエリ拡張法であるDESA(Dense Expansion and Sparse Anchoring)を導入する。 DESAは、拡張されていないクエリに対してnDCG@10とRecall@20を3.82%と2.38%改善し、密度が高くスパースなアクセス深さを36.90%、36.56%削減した。 これらの結果は、生成されたパスのチャネル固有の統合と、検索の有効性とアクセス深度を共同評価することを支援する。
• 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: LLM-based query expansion improves retrieval by generating document-like passages. In hybrid retrieval, however, most evaluations fuse fixed top-$L$ dense and sparse rankings. Because the cutoff controls both which cross-channel contributions enter fusion and how much of each ranking is accessed, gains measured at one $L$ can change or reverse at another. We separate these effects by evaluating retrieval effectiveness under complete-list fusion and recording the policy-specific per-channel replay stopping depths at which its ordered top-$K$ is certified. We then introduce DESA (Dense Expansion and Sparse Anchoring), a channel-asymmetric query expansion method. An LLM generates complementary reference passages; orthogonal residual expansion adds their new semantic directions to the dense query, while score-product anchoring incorporates their lexical cues into sparse retrieval without broadening the original query's lexical support. Across seven BEIR datasets, DESA improves nDCG@10 and Recall@20 over the unexpanded query by 3.82% and 2.38%, while reducing dense and sparse access depths by 36.90% and 36.56%. With equal dataset weighting, 63.31% of queries become shallower in both channels. However, both depths increase with Contriever on Touché-2020. These results support channel-specific integration of generated passages and joint evaluation of retrieval effectiveness and access depth.
• Abstract（参考訳）: LLMベースのクエリ拡張は、ドキュメントのようなパスを生成することにより、検索を改善する。 しかし、ハイブリッド検索では、ほとんどの評価は上位の$L$高密度とスパースランキングを固定する。 カットオフは、チャネル間のコントリビューションが融合に入るか、どのランクがアクセスされるかの両方を制御するため、1L$で測定されたゲインは、別の場所で変更または反転することができる。 これらの効果は,完全リスト融合下での検索効率の評価と,その順序付き上位K$が認証されたチャネルごとのリプレイ停止深さを記録することによって分離する。 次に、チャネル非対称なクエリ拡張法であるDESA(Dense Expansion and Sparse Anchoring)を導入する。 LLMは補完的な参照パスを生成し、直交的残差拡張は、その新しい意味方向を密度の高いクエリに追加する一方、スコア生成アンカーは、元のクエリの語彙サポートを広げることなく、その語彙キューをスパース検索に組み込む。 7つのBEIRデータセットの中で、DESAはnDCG@10とRecall@20を3.82%と2.38%で改善し、密度とスパースアクセス深度を36.90%、36.56%削減した。 データセットの重み付けが等しくなれば、クエリの63.31%は両方のチャネルでより浅くなる。 しかし、どちらの深さもTouché-2020のContrieverによって増加する。 これらの結果は、生成されたパスのチャネル固有の統合と、検索の有効性とアクセス深度を共同評価することを支援する。

関連論文リスト

• Role-Decoupled Attention Residuals: Separating Matching and Content Retrieval Across Depth [1.2973070941583096]
  Role-Decoupled Attention Residuals (RD-AttnRes)を紹介する。 RD-AttnResは、クエリとキーの間の1つの深さルートを共有し、同じ残元上の独立した値ルートを学習する。 RD-AttnResをFineWeb-Edu上でフリーズ・ペア・プレトレーニングプロトコルを用いて評価する。
  論文  参考訳（メタデータ） (2026-08-02T08:19:39Z)
• ADORE: Iterative Query Expansion with Retrieval-Grounded Relevance Feedback [22.297275934519345]
  効率的な拡張には,単一パス生成や未検証イテレーションだけでなく,検索地上からのフィードバックが必要である,と我々は主張する。 我々は、検索結果を次の拡張のためのフィードバックに変換する反復的なフレームワークであるADOREを紹介する。 TREC Deep Learning、BEIR、BRIGHTの他、ADOREは強いクエリ拡張ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-06-11T20:52:37Z)
• From BM25 to Corrective RAG: Benchmarking Retrieval Strategies for Text-and-Table Documents [0.0]
  スパース, 密度, ハイブリッド融合, クロスエンコーダリグレード, クエリ拡張, インデックス拡張, 適応検索にまたがる10の検索戦略をベンチマークした。 我々はRecall@k,MRR,nDCGによる検索品質とNumber Matchによるエンドツーエンド生成品質を評価する。
  論文  参考訳（メタデータ） (2026-04-02T07:53:40Z)
• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• Hybrid Deep Searcher: Integrating Parallel and Sequential Search Reasoning [57.78245296980122]
  本稿では,自然質問から自動生成されるデータセットであるHDS-QA(Hybrid Deep Search QA)を紹介する。 並列化可能な独立サブクエリ(同時に実行可能)と逐次依存サブクエリ(ステップバイステップの解決を必要とする)を組み合わせたハイブリッドホップ質問を含む。 モデルの名称はHybridDeepSearcherで、複数のベンチマークで最先端のベースラインを上回っています。
  論文  参考訳（メタデータ） (2025-08-26T15:15:17Z)
• Chain of Retrieval: Multi-Aspect Iterative Search Expansion and Post-Order Search Aggregation for Full Paper Retrieval [68.71038700559195]
  The Chain of Retrieval (COR) is a novel repeaterative framework for full-paper search。 SCIBENCH(SCIBENCH)は、クエリと候補のための全論文の完全なコンテキストとセグメント化されたコンテキストを提供するベンチマークである。
  論文  参考訳（メタデータ） (2025-07-14T08:41:53Z)
• Exp4Fuse: A Rank Fusion Framework for Enhanced Sparse Retrieval using Large Language Model-based Query Expansion [0.0]
  大規模言語モデル(LLM)は、クエリ拡張のための仮説文書を生成する可能性を示している。 スパースレトリバーの性能を向上させる新しい融合ランキングフレームワークExp4Fuseを導入する。
  論文  参考訳（メタデータ） (2025-06-05T08:44:34Z)
• ECLIPSE: Contrastive Dimension Importance Estimation with Pseudo-Irrelevance Feedback for Dense Retrieval [14.72046677914345]
  近年のInformation Retrievalは、高次元埋め込み空間を活用して、関連文書の検索を改善している。 これらの高次元表現にもかかわらず、クエリに関連する文書は、低次元のクエリ依存多様体に存在する。 本稿では,関連文書と非関連文書の両方からの情報を活用することによって,これらの制約に対処する手法を提案する。
  論文  参考訳（メタデータ） (2024-12-19T15:45:06Z)
• Can Query Expansion Improve Generalization of Strong Cross-Encoder Rankers? [72.42500059688396]
  本稿では,拡張されたクエリのランク付け結果を融合により高速化し,エンジニアリングの迅速化と集約を行うことにより,強力なニューラルネットワークローカの一般化を向上できることを示す。 BEIR と TREC Deep Learning の実験では,MonoT5 と RankT5 の nDCG@10 スコアがこれらのステップに従って改善された。
  論文  参考訳（メタデータ） (2023-11-15T18:11:41Z)
• Hybrid and Collaborative Passage Reranking [144.83902343298112]
  本稿では,HybRank(HybRank)手法を提案する。 スパースとシークエンスレトリバーの語彙的および意味的特性を組み込んで再ランク付けする。 HybRankは、既製のレトリバー機能をベースに構築されており、任意のパスリストを拡張できるプラグインリランカである。
  論文  参考訳（メタデータ） (2023-05-16T09:38:52Z)
• Query2doc: Query Expansion with Large Language Models [69.9707552694766]
  提案手法はまず,大言語モデル (LLM) をプロンプトすることで擬似文書を生成する。 query2docは、アドホックIRデータセットでBM25のパフォーマンスを3%から15%向上させる。 また,本手法は,ドメイン内およびドメイン外の両方において,最先端の高密度検索に有効である。
  論文  参考訳（メタデータ） (2023-03-14T07:27:30Z)

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。