論文の概要: Graded-Relevance Composed Multimodal Retrieval for E-commerce Visual Search at Scale
- arxiv url: http://arxiv.org/abs/2609.24152v1
- Date: Mon, 21 Sep 2026 06:09:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.092389
- Title: Graded-Relevance Composed Multimodal Retrieval for E-commerce Visual Search at Scale
- Title（参考訳）: 大規模電子商取引ビジュアルサーチのための傾斜関連合成マルチモーダル検索
- Abstract要約: 本稿では,CIRレトリバーの学習方法を提案する。
この手法をGradCIRと呼び、3.5MグレードペアでトレーニングされたPaliGemma2バイエンコーダ上でインスタンス化する。
このシステムはWalmartのプロダクションにデプロイされ、ビジュアル検索のユーザトラフィックをライブで提供する。
- 参考スコア（独自算出の注目度）: 1.996551314636794
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Visual search on large e-commerce catalogs must serve both "similarity" queries that ask for items resembling an uploaded image and "modifier" queries that comprise an image and text describing a desired modification (e.g. a color change or style swap). The latter is the setting known as composed image retrieval (CIR). Existing CIR methods, however, treat relevance as binary and train on triplets with a single positive target - a poor fit for real catalogs where many candidates partially satisfy a user query and ranking across that partial-match spectrum drives the customer experience. We propose a methodology for training CIR retrievers on graded relevance, consisting of: (i) a VLM to curate training data, generating both queries (object detection + modifier synthesis) and 4-level relevance labels without manual annotation, (ii) an iterative relevance-feedback loop that expands the training set by mining hard negatives from the in-training retriever, and (iii) a hierarchy-aware angular objective to train the retriever directly on the graded labels rather than collapsing them to a binary split. We call this methodology GradCIR and instantiate it on a PaliGemma2 bi-encoder trained on 3.5M graded pairs curated from raw Walmart catalog data. A controlled graded-vs-binary ablation isolates the supervision granularity and shows lift of 4.9%-5.9% in NDCG@10. The same recipe applied to other multimodal encoders lifts early-fusion backbones by up to 8.5% NDCG@10. On the public FashionIQ benchmark, GradCIR (applied to PaliGemma2) reaches 0.6703 average recall when fine-tuned, slightly ahead of the strongest peer-reviewed supervised baseline we compare against, and matching or exceeding all published CLIP-L-class zero-shot CIR methods. The system is deployed in production at Walmart, where it's serving live visual-search user traffic.
- Abstract（参考訳）: 大規模なeコマースカタログのビジュアル検索は、アップロードされた画像に似たアイテムを求める「類似性」クエリと、望ましい変更(例えば色の変化やスタイルスワップ)を記述する画像とテキストを構成する「修飾子」クエリの両方を提供する必要がある。
後者は合成画像検索(CIR)として知られる設定である。
しかし、既存のCIRメソッドでは、関連性をバイナリとして扱い、単一の肯定的なターゲットを持つトリプレットでトレーニングします。
本稿では,CIRレトリバーの学習方法を提案する。
i)VLMは、トレーニングデータをキュレートし、手動のアノテーションなしで、クエリ(オブジェクト検出及び修飾子合成)と4レベルの関連ラベルの両方を生成する。
二 トレーニング中のレトリバーからハードネガティブをマイニングし、トレーニングを拡大する反復関連フィードバックループ
三)二分分割に折り畳むのではなく、格付けされたラベルに直接レトリバーを訓練する階層対応の角的目的。
この手法をGradCIRと呼び、生のWalmartカタログデータからキュレートされた3.5Mグレードペアに基づいてトレーニングされたPaliGemma2バイエンコーダ上でインスタンス化する。
制御されたグレード-vs-バイナリアブレーションは、監督の粒度を分離し、NDCG@10で4.9%-5.9%の上昇を示す。
他のマルチモーダルエンコーダに適用される同じレシピは、早期核融合バックボーンを最大8.5%のNDCG@10で持ち上げる。
パブリックなFashionIQベンチマークでは、GradCIR(PaliGemma2)が微調整された場合、平均リコール率は0.6703に達した。
このシステムはWalmartのプロダクションにデプロイされ、ビジュアル検索のユーザトラフィックをライブで提供する。
関連論文リスト
- Iris: Climbing to the Search Frontier [21.066541702697112]
我々は35B-A3Bスケールと397B-A17Bスケールでトレーニングされた2つの検索エージェントであるIris-miniとIris-proを紹介する。
論文 参考訳（メタデータ） (2026-09-03T17:51:01Z) - Learning from Failures: Retrieval-Centric CoT via Hard Negatives for Unified Multimodal Retrieval [17.695551248974215]
UniME-R1は、最初に検索された候補を推論することを学ぶ組込みアドバイザフレームワークである。
UniME-R1は、強いベースライン上での検索性能を一貫して改善する。
論文 参考訳（メタデータ） (2026-08-06T14:04:56Z) - MMAgent-R$^2$: Learning to Rerank and Reject for Agentic mRAG [50.46218163777298]
知識に基づくビジュアル質問回答 (KB-VQA) では、大規模百科事典の知識ベースからクエリ画像と一致する視覚エンティティを検索し、関連する質問に答える必要がある。
MMAgent-R$2$は、視覚的リランク化と能動的拒絶を内部検証機構として統合したエージェントmRAGフレームワークである。
論文 参考訳（メタデータ） (2026-07-08T13:15:39Z) - Never Seen Before: Benchmarking Genuine Zero-Shot Composed Image Retrieval with Consistent Video-Sourced Datasets [61.420656457977195]
Zero-Shot Composed Image Retrieval (ZS-CIR) は、参照画像と相対キャプションからなるクエリに基づいて、サンプルをトレーニングせずにターゲット画像を取得することを目的としている。
既存のZS-CIRデータセットは、ノイズの多い画像ソースのため、参照画像とターゲット画像の完全な不一致に悩まされることが多い。
ZS-CIRの新しいベンチマークであるZeroSightを紹介する。
論文 参考訳（メタデータ） (2026-06-05T08:23:25Z) - Prism-Reranker: Beyond Relevance Scoring -- Jointly Producing Contributions and Evidence for Agentic Retrieval [0.0]
Qwen3.5上に4つのサイズ(0.8B, 2B, 4B, 9B)で構築されたリランカーモデルのファミリーであるPrism-Rerankerを紹介する。
標準のye/no関連判断に加えて、評決がYesであるたびに、モデルはドキュメントがクエリをどのように助けるかを要約したコントリビューションステートメントを発行する。
同じレシピが既存のLCMベースのリランカーを拡張し、Qwen3-Reranker-4Bのコントリビューションとエビデンス機能を強化している。
論文 参考訳（メタデータ） (2026-04-26T14:28:48Z) - UniCVR: From Alignment to Reranking for Unified Zero-Shot Composed Visual Retrieval [87.12447641908143]
組込みゼロショット合成ビジュアル検索フレームワークUniCVRを提案する。
UniCVRは、タスク固有の人間アノテーションのない3つのタスクすべてに共同で対処する。
ステージIでは,約3.5Mサンプルのキュレートされたデータセットに対して,コントラスト学習によりMLLMを合成クエリ埋め込み器として訓練する。
ステージIIでは,少数の上位候補に対して適応的予算付サブセットスコアを付与するMLLM誘導二重レベル再ランク機構を導入する。
論文 参考訳（メタデータ） (2026-04-22T08:16:50Z) - Improving E-commerce Search with Category-Aligned Retrieval [0.0]
カテゴリー対応検索システム(CARS)は,まずユーザのクエリから製品カテゴリを予測し,そのカテゴリ内で製品を強化することによって,検索関連性を向上させる。
本稿では,クエリの埋め込みから"Trainable Category Prototypes"を作成する新しい手法を提案する。
論文 参考訳（メタデータ） (2025-09-03T20:43:52Z) - Multimodal Reasoning Agent for Zero-Shot Composed Image Retrieval [52.709090256954276]
Zero-Shot Composed Image Retrieval (ZS-CIR) は、合成クエリによってターゲット画像を取得することを目的としている。
本稿では,ZS-CIRにMRA(Multimodal Reasoning Agent)を用いた新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-26T13:17:50Z) - Advancing Image Retrieval with Few-Shot Learning and Relevance Feedback [5.770351255180495]
Image Retrieval with Relevance Feedback (IRRF) は、検索プロセス中に反復的なヒューマンインタラクションを伴う。
本稿では,タスクに適したハイパーネットワークに基づく新しいスキームを提案し,ユーザフィードバックの迅速な調整を容易にする。
提案手法は,数発の1クラス分類でSoTAを達成でき,数発のオープンセット認識のバイナリ分類タスクで同等の結果が得られることを示す。
論文 参考訳（メタデータ） (2023-12-18T10:20:28Z) - Adversarial Retriever-Ranker for dense text retrieval [51.87158529880056]
本稿では、二重エンコーダレトリバーとクロスエンコーダローダからなるAdversarial Retriever-Ranker(AR2)を提案する。
AR2は、既存の高密度レトリバー法より一貫して大幅に優れている。
これには、R@5から77.9%(+2.1%)、TriviaQA R@5から78.2%(+1.4)、MS-MARCO MRR@10から39.5%(+1.3%)の改善が含まれている。
論文 参考訳（メタデータ） (2021-10-07T16:41:15Z)
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。