論文の概要: Autoregressive Retriever: Improving Query Understanding from Item Feedback for Universal Multimodal Retrieval

• arxiv url: http://arxiv.org/abs/2610.11666v1
• Date: Thu, 08 Oct 2026 10:39:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.961002
• Title: Autoregressive Retriever: Improving Query Understanding from Item Feedback for Universal Multimodal Retrieval
• Title（参考訳）: Autoregressive Retriever: ユニバーサルマルチモーダル検索のための項目フィードバックからのクエリ理解の改善
• Abstract要約: AutoRegressive Retriever(ARR)は、情報項目を選択することを学ぶマルチモーダル検索モデルである。 ARRはアイテムの検索とクエリの埋め込みの更新を交互に行い、最終的な埋め込みを使ってコレクションをランク付けする。
• 参考スコア（独自算出の注目度）: 31.443229594491925
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Universal multimodal retrieval typically encodes a query once and ranks independently indexed items by embedding similarity. This design supports efficient search, but leaves the query representation unchanged even when retrieved items could help clarify the information need. We introduce the AutoRegressive Retriever (ARR), a multimodal retrieval model that learns both to select informative items and to use their content to refine subsequent retrieval. ARR alternates between retrieving an item and updating the query embedding, then uses the final embedding to rank the collection. Supervised fine-tuning teaches the encoder to use feedback through stepwise contrastive supervision. Reinforcement learning treats feedback items as actions and optimizes their selection using the final reciprocal rank of a relevant item. A query-side adapter enables this optimization against a fixed item index. ARR demonstrates strong retrieval performance on both in-domain and zero-shot benchmarks, outperforming the compared baselines on average. Further analyses show that feedback improves retrieval at inference time and that training with feedback also improves the initial query embedding, before any item is observed.
• Abstract（参考訳）: ユニバーサルマルチモーダル検索は通常、クエリを一度エンコードし、類似性を埋め込むことで独立にインデックスされたアイテムをランク付けする。 この設計は効率的な検索をサポートするが、検索されたアイテムが情報の必要性を明確にするのに役立ったとしても、クエリ表現は変わらないままである。 本稿では,多モーダル検索モデルであるAutoRegressive Retriever(ARR)を紹介する。 ARRはアイテムの検索とクエリの埋め込みの更新を交互に行い、最終的な埋め込みを使ってコレクションをランク付けする。 監督された微調整は、ステップワイズ・コントラストの監督を通じてフィードバックを使用するようにエンコーダに教える。 強化学習は、フィードバック項目を行動として扱い、関連する項目の最終相互ランクを用いて選択を最適化する。 クエリサイドアダプタは、固定アイテムインデックスに対するこの最適化を可能にする。 ARRは、ドメイン内ベンチマークとゼロショットベンチマークの両方で強力な検索性能を示し、比較ベースラインを平均的に上回る。 さらに分析したところ、フィードバックは推論時に検索を改善し、フィードバックによるトレーニングは、アイテムが観察される前に、初期クエリの埋め込みも改善することがわかった。

関連論文リスト

• Test-Time Adaptation with Query-Dependent Residuals for Visual Document Retrieval [35.03045275871606]
  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。
  論文  参考訳（メタデータ） (2026-09-23T11:08:46Z)
• R$^3$AG: Retriever Routing for Retrieval-Augmented Generation [59.47703698994575]
  R$3$AGは、検索機能を2つの学習可能なディメンション、すなわち検索品質と生成ユーティリティに分解する。 R$3$AGは、最高の個々のレトリバーと最先端の静的ルーティングメソッドの両方を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-22T06:51:20Z)
• 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)
• 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)
• Ask Optimal Questions: Aligning Large Language Models with Retriever's Preference in Conversation [23.74712435991676]
  RetPOは、ターゲット検索システムの好みに合わせて検索クエリを再構成する言語モデルを最適化するように設計されている。 我々は、12Kの会話で410K以上のクエリを書き換えるRetrievers' Feedbackと呼ばれる大規模なデータセットを構築した。 その結果,2つのベンチマークにおいて,従来のリライト・ザ・リトリーブ・アプローチの最先端性能を上回る優位性を示した。
  論文  参考訳（メタデータ） (2024-02-19T04:41:31Z)
• 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)
• Optimizing Test-Time Query Representations for Dense Retrieval [34.61821330771046]
  TOURは、テスト時間検索の結果によってガイドされるクエリ表現を改善する。 我々は、クロスエンコーダのリランカを利用して、検索結果よりもきめ細かい擬似ラベルを提供する。 TOURは1.3-2.4倍高速で実行しながら、常に最大2.0%のダイレクトリランクを改善する。
  論文  参考訳（メタデータ） (2022-05-25T11:39:42Z)

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。