論文の概要: Generated Query Expansion Still Helps Strong Sparse Retrieval: A Controlled Study with SPLADE-v3
- arxiv url: http://arxiv.org/abs/2609.37911v1
- Date: Tue, 29 Sep 2026 16:07:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.724497
- Title: Generated Query Expansion Still Helps Strong Sparse Retrieval: A Controlled Study with SPLADE-v3
- Title（参考訳）: 生成クエリ拡張は依然として強力なスパース検索に役立つ: SPLADE-v3による制御された研究
- Abstract要約: 我々は、NFCorpus、TREC-COVID、SciDocsのSPLADE-v3とともに、用語リストの4つの生成されたフォーマット、擬似文書、複数の擬似参照、コーパスステアリングテキストをテストする。
12のメソッド・コレクション比較により、集約nDCG@10が改善され、4.81%、8.92%、9.47%が最も高い。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scientific queries are often brief, while relevant papers use specialized vocabulary. Generated query expansion can bridge this mismatch, but earlier work suggests that its value shrinks as the underlying retriever becomes stronger. We test the four generated formats of term lists, a pseudo-document, multiple pseudo-references, and corpus-steered text all together with SPLADE-v3 on NFCorpus, TREC-COVID, and SciDocs. Every condition searches the same frozen document index and follows the same query-side integration rule and 256-dimension budget, isolating the effect of the added content. All twelve method-collection comparisons improve aggregate nDCG@10, with best relative gains of 4.81%, 8.92%, and 9.47%. Eleven remain significant after Holm correction. The gain persists in 103 of 114 interpolation settings, including every setting that assigns at least 30% of the mixture weight to the original query. Shuffled-text and non-contextual lexical-bag controls also remain above baseline in all 24 aggregate comparisons, showing that the added vocabulary carries most of the benefit. A corpus-induced typed concept graph, by contrast, produces no consistent gain, and its relation, depth, validation, random, and gating controls do not rescue it. Generated vocabulary can therefore complement a strong learned sparse retriever, provided that the original query remains strongly represented.
- Abstract（参考訳）: 科学的クエリはしばしば短く、関連する論文は専門用語を使用する。
生成されたクエリ拡張は、このミスマッチをブリッジする可能性があるが、以前の研究は、基盤となるリトリバーがより強くなるにつれて、その値が小さくなることを示唆していた。
我々は、NFCorpus、TREC-COVID、SciDocsのSPLADE-v3とともに、用語リストの4つの生成されたフォーマット、擬似文書、複数の擬似参照、コーパスステアリングテキストをテストする。
各条件は、同じフリーズされたドキュメントインデックスを検索し、同じクエリ側統合ルールと256次元の予算に従って、追加コンテンツの効果を分離する。
12のメソッド・コレクション比較により、集約nDCG@10が改善され、4.81%、8.92%、9.47%が最も高い。
ホルム修正後、11が重要なままである。
ゲインは114の補間設定のうち103で持続し、元のクエリに混合重量の少なくとも30%を割り当てるすべての設定を含む。
シャッフルテキストと非コンテクストのレキシカルバッグコントロールは、24の集合比較でベースライン上にとどまっており、追加の語彙がほとんどの利点をもたらすことを示している。
コーパスによって誘導される型付き概念グラフは、対照的に、一貫した利得が得られず、その関係、深さ、検証、ランダム、ゲーティングコントロールはそれを救えない。
したがって、生成した語彙は、元のクエリが強く表現されていることを前提として、強力な学習されたスパースレトリバーを補完することができる。
関連論文リスト
- CeQe: Grounding Lexical Retrieval in Semantic Evidence [0.914632796153174]
Cross-Encoder Query Expansion (CE-QE) は、トップセマンティック検索に適用されるクロスエンコーダの関連性属性を読み取る。
全てのCE-QE拡張項は、検索された通路から冗長にコピーされるので、コーパスが含まない語彙を導入することはできない。
7つのBEIRデータセット上で、CE-QEはクエリと応答語彙が分岐する語彙リコールを大幅に改善する。
論文 参考訳（メタデータ） (2026-08-01T05:27:20Z) - Context-Aware Distillation and Ablation for Text2DSL [78.29352305480285]
我々は、コンテクスト対応蒸留により、プロンプトのみの合成生成を置き換える。
教師の大きな言語モデルは、明示的に定義された構造化コンテキストの下で機能する。
これは、検証されたポルキットベンチコーパスを4,204対から10,073対にスケールする。
論文 参考訳（メタデータ） (2026-06-21T16:27:24Z) - Novelty-Aware Agentic Retrieval: Comparing Research Contributions Through Structured Multi-Step Reasoning [0.0]
ノベルティ・アウェア・リサーチ・エージェント(英: Novelty-Aware Research Agent)は、エージェント検索システムのプロトタイプである。
RAGパイプライン上の多段階推論を6つのタイプドコントラクトコンポーネントを通じて階層化する。
論文毎のコントリビューション記録、紙レベルのオーバーラップ、問題xメソッドギャップマトリックスなど、構造化された比較アーティファクトを生成する。
論文 参考訳（メタデータ） (2026-06-20T17:04:02Z) - Beyond the Reranker: Do RAG Retrieval Enhancements Help Once a Strong Reranker Is Present? [3.77661940418406]
クエリ拡張,階層的およびクロスドキュメント要約,グラフベースの拡張,クエリごとのルーティング,ランク融合,修正的再検索について検討した。
パイプラインの品質の大部分を、強力なクロスエンコーダリランカが占めていることを示す。
残りの再ランク法とプール拡張法は、階層的な要約、グラフ展開、ルーティング、ランク融合など、一般的な用途では、再ランカが存在すれば信頼できる利得は得られない。
論文 参考訳（メタデータ） (2026-06-14T20:50:41Z) - 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) - ImpliRet: Benchmarking the Implicit Fact Retrieval Challenge [50.93758649363798]
Impliretは、推論の課題をドキュメント側処理にシフトするベンチマークである。
我々は,この環境下で苦戦している,疎水・密集したレトリバーの幅を評価した。
論文 参考訳（メタデータ） (2025-06-17T11:08:29Z) - $\texttt{MixGR}$: Enhancing Retriever Generalization for Scientific Domain through Complementary Granularity [88.78750571970232]
本稿では,クエリ文書マッチングに対する高密度検索者の認識を改善するために,$texttMixGR$を紹介する。
$texttMixGR$は、粒度に基づくさまざまなメトリクスを統合スコアに融合させ、包括的なクエリドキュメントの類似性を反映させる。
論文 参考訳（メタデータ） (2024-07-15T13:04:09Z) - Query Expansion Using Contextual Clue Sampling with Language Models [69.51976926838232]
本稿では,実効的なフィルタリング戦略と検索した文書の融合の組み合わせを,各文脈の生成確率に基づいて提案する。
我々の語彙マッチングに基づくアプローチは、よく確立された高密度検索モデルDPRと比較して、同様のトップ5/トップ20検索精度と上位100検索精度を実現する。
エンド・ツー・エンドのQAでは、読者モデルも我々の手法の恩恵を受けており、いくつかの競争基準に対してエクサクト・マッチのスコアが最も高い。
論文 参考訳（メタデータ） (2022-10-13T15:18:04Z)
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。