論文の概要: Test-Time Adaptation with Query-Dependent Residuals for Visual Document Retrieval

• arxiv url: http://arxiv.org/abs/2609.27688v1
• Date: Wed, 23 Sep 2026 11:08:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.983058
• Title: Test-Time Adaptation with Query-Dependent Residuals for Visual Document Retrieval
• Title（参考訳）: Visual Document Retrievalのためのクエリ依存残量によるテスト時間適応
• Abstract要約: 本稿では,限定リランカフィードバックを再利用可能なリカバリ改善に変換するクエリ側テスト時間適応手法であるQ-REACTを紹介する。 また,リトライやリニューアルを行なわずに,クエリコレクション全体のリランカフィードバックをアモートできることを示す。
• 参考スコア（独自算出の注目度）: 35.03045275871606
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual document retrieval (VDR) systems depend on page embeddings computed before deployment, which makes adaptation difficult when encoder parameters or corpus re-encoding are unavailable. Rerankers provide useful relevance signals, but conventional reranking applies them only to selected queries and candidate pages. We introduce Q-REACT, a query-side test-time adaptation method that converts limited reranker feedback into reusable retrieval improvements. Q-REACT learns a shared low-rank transformation that produces query-dependent residuals, combines adapted query scores with document-level context, and distills reranker preferences with a student distribution normalized over the complete task-specific page index. This design lets unscored pages compete through cached embeddings while keeping the encoders and page index fixed. Across eight ViDoRe V3 tasks and five open-weight and proprietary backbones, Q-REACT improves average retrieval over evaluated baselines at sparse and full-coverage budgets, transfers to held-out queries and tasks, and adds little inference overhead. The results show that finite reranker feedback can be amortized across a query collection without retraining or rebuilding the retriever.
• Abstract（参考訳）: ビジュアル文書検索(VDR)システムは、デプロイ前に計算されたページ埋め込みに依存するため、エンコーダパラメータやコーパス再エンコーディングが利用できない場合、適応が困難になる。 リランカは有用な関連信号を提供するが、従来のリオーダは選択したクエリと候補ページのみに適用される。 本稿では,限定リランカフィードバックを再利用可能なリカバリ改善に変換するクエリ側テスト時間適応手法であるQ-REACTを紹介する。 Q-REACTは、クエリ依存残差を生成する共有低ランク変換を学習し、適応されたクエリスコアと文書レベルのコンテキストを組み合わせ、リランカの選好と、タスク固有のページインデックスを正規化した学生分布を蒸留する。 この設計により、エンコーダとページインデックスを固定しながら、キャッシュされた埋め込みを通じて未表示のページを競合させることができる。 8つのViDoRe V3タスクと5つのオープンウェイトでプロプライエタリなバックボーンに対して、Q-REACTはスパースとフルカバーの予算で評価されたベースラインに対する平均的な検索を改善し、保留クエリとタスクに転送し、推論オーバーヘッドを少なくする。 その結果、リトライやリニューアルを行わずに、クエリコレクション全体にわたって有限リランカフィードバックをアモートできることがわかった。

関連論文リスト

• ORDER: Task-Conditioned Routing for Retrieval-Augmented Generation [3.6028767235872965]
  本稿では,クエリにインデックス付けと検索を併用する問合せ条件付きRAGフレームワークを提案する。 我々は,大規模かつ異種な歴史的アーカイブの枠組みを評価し,クエリのインデックス付けと検索の条件付けが,根本的ベースラインと最先端RAGシステムの両方を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-09-15T11:23:16Z)
• ViSAR: Training-Free Adaptive-$k$ Retrieval for Visual Document Question Answering [0.7481381091903384]
  ViSAR (Visual Semantic Activation Retrieval) は、遅延対話型視覚文書検索のためのトレーニング不要適応-$k$の検索方法である。 ViSARはクエリ順応したページ集合を検索し、RAGのレイテンシを最大58.7%削減し、回答の精度を維持または改善する。
  論文  参考訳（メタデータ） (2026-09-02T11:54:58Z)
• LITTA: Late-Interaction and Test-Time Alignment for Visually-Grounded Multimodal Retrieval [0.0]
  LITTAは、エビデンスページ検索のためのクエリ拡張中心の検索フレームワークである。 ユーザクエリが与えられた後、LITTAは大きな言語モデルを使用して補完的なクエリ変種を生成する。 拡張されたクエリからの候補は、エビデンスカバレッジを改善するために、相互のランクフュージョンを通じて集約される。
  論文  参考訳（メタデータ） (2026-03-10T13:25:39Z)
• Decomposing Retrieval Failures in RAG for Long-Document Financial Question Answering [10.782576574175044]
  正しい文書が検索されるが、回答を含むページやチャンクが欠落する頻繁な障害モードについて検討する。 この文書内検索失敗モードは,QA(Financial Question Answering)文学において,体系的に限定的に注目されている。 複数レベルの粒度, 文書, ページ, チャンクレベルでの検索を評価し, オラクルに基づく解析を導入し, 検索および生成性能に関する実証的な上限を提供する。
  論文  参考訳（メタデータ） (2026-02-20T04:31:40Z)
• Adaptive Retrieval for Reasoning-Intensive Retrieval [60.30588731127791]
  Bridgeドキュメントは、推論プロセスに寄与するが、初期クエリに直接関連しないドキュメントである。 既存の推論ベースのリランカパイプラインは、これらのドキュメントをランキングで表示しようとするが、バウンドリコールに悩まされる。 適応検索のための高密度フィードバック信号として、推論計画を再取得することで、このギャップを埋めるフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-08T05:46:50Z)
• Query Decomposition for RAG: Balancing Exploration-Exploitation [83.79639293409802]
  RAGシステムは複雑なユーザ要求に対処し、それらをサブクエリに分解し、それぞれに関連する可能性のあるドキュメントを取得し、それを集約して回答を生成する。 クエリの分解とドキュメントの検索をエクスプロレーション探索設定で定式化し、一度に1つのドキュメントを検索すると、与えられたサブクエリの有用性についての信念が構築される。 我々の主な発見は、ランク情報と人的判断を用いた文書関連性の推定により、文書レベルの精度が35%向上し、α-nDCGが15%向上し、長文生成の下流タスクの性能が向上するということである。
  論文  参考訳（メタデータ） (2025-10-21T13:37:11Z)
• Gumbel Reranking: Differentiable End-to-End Reranker Optimization [61.16471123356738]
  RAGシステムは関連する文書を識別するためにリランカーに依存している。 注釈付きクエリ-ドキュメントペアが不足しているため、これらのモデルの微調整は依然として難しい。 我々は,トレーニングと推論のギャップを最小限に抑えることを目的とした,リランカーのためのエンドツーエンドのトレーニングフレームワークであるGumbel Re rankを提案する。
  論文  参考訳（メタデータ） (2025-02-16T13:23:39Z)
• Adaptive Query Rewriting: Aligning Rewriters through Marginal Probability of Conversational Answers [66.55612528039894]
  AdaQRは、シードデータセットからの限定的な書き直しアノテーションと完全にパスラベルのないクエリ書き換えモデルをトレーニングするフレームワークである。 会話クエリに条件付き回答の確率を用いて,これらの候補に対する検索者の嗜好を評価する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-16T16:09:05Z)
• ReFIT: Relevance Feedback from a Reranker during Inference [109.33278799999582]
  Retrieve-and-Rerankは、ニューラル情報検索の一般的なフレームワークである。 本稿では,リランカを利用してリコールを改善する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-19T15:30:33Z)

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。