論文の概要: RidgeRank: Efficient Visual Document Reranking via Score Fusion and a Shallow Linear Readout
- arxiv url: http://arxiv.org/abs/2609.34192v1
- Date: Mon, 28 Sep 2026 03:05:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 23:01:24.107234
- Title: RidgeRank: Efficient Visual Document Reranking via Score Fusion and a Shallow Linear Readout
- Title（参考訳）: RidgeRank: Score FusionとShallow Linear Readoutによる効率的なビジュアルドキュメントの更新
- Abstract要約: RidgeRankは、リランカースコアがどれだけの関連性信号が不足しているかを測定し、レトリバースコアからリカバリする。
ViDoRe 2とViDoRe 3から抽出された12のデータセットに対して、RageRankはNDCG@5を最大48倍のスピードアップを持つフルクロスエンコーダの1.2pp以内で提供する。
- 参考スコア（独自算出の注目度）: 0.7770535067924795
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal language models rerank visual document retrieval results accurately, but scoring every candidate page at full cost makes them slow. Some methods that compress these rerankers need relevance labels to regain accuracy, and they rank by the reranker score alone. RidgeRank measures how much relevance signal the reranker score lacks and recovers it from the retriever score through a closed-form fusion rule. Maximizing a correlation objective gives the optimal fusion weight, along with the exact condition under which the reranker score by itself cannot reach that optimum. The reranker is further corrected by a single vector applied to an intermediate hidden state, obtained through one centered ridge regression onto the same model's full-depth scores on uncompressed pages. On 12 datasets drawn from ViDoRe 2 and ViDoRe 3, evaluated with two retrievers and two language model backbones, RidgeRank brings NDCG@5 to within 1.2 pp of a full cross encoder with speedups of up to 48 times, advancing the accuracy and latency Pareto frontier for visual document reranking.
- Abstract（参考訳）: マルチモーダル言語モデルは、ビジュアル文書検索結果を正確に再現するが、すべての候補ページをフルコストで評価すると、処理が遅くなる。
これらのリランカーを圧縮するいくつかの方法は、正確性を取り戻すために関連ラベルを必要とし、リランカースコアだけでランク付けする。
RidgeRankは、リランカのスコアがどれだけの関連性シグナルを欠いているかを測定し、クローズドフォームの融合ルールを通じてレトリバーのスコアからリカバリする。
相関目標の最大化は、最適な融合重みを与えるとともに、リランカースコア自体が最適に到達できない正確な条件を与える。
さらに、圧縮されていないページ上の同一モデルの全深度スコアに対する1つの中心尾根回帰を通じて得られる中間隠蔽状態に適用された1つのベクトルによりリランカを補正する。
ViDoRe 2とViDoRe 3から抽出された12のデータセットに対して、2つのレトリバーと2つの言語モデルバックボーンで評価されたRideRankは、NDCG@5を最大48倍のスピードアップを持つフルクロスエンコーダの1.2pp以内に導入し、ビジュアルドキュメントの更新のための精度とレイテンシのParetoフロンティアを前進させる。
関連論文リスト
- 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) - 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) - 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。