論文の概要: Optimal Fusion Weights Form Intervals, Not Points: A Latency-Aware Study of Query-Adaptive WRRF

• arxiv url: http://arxiv.org/abs/2610.24341v1
• Date: Sat, 17 Oct 2026 00:18:41 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:40:58.110771
• Title: Optimal Fusion Weights Form Intervals, Not Points: A Latency-Aware Study of Query-Adaptive WRRF
• Title（参考訳）: 最適核融合重量は点ではなく間隔を形成する:クエリ適応WRRFのレイテンシを考慮した研究
• Abstract要約: 本研究では,4つのデータセットと4つのスパース・ディエンス・レトリバー・ペアにまたがる8つの動的核融合重量予測戦略について実験的検討を行った。 74および128種類の動的核融合法は, 偽発見率補正後の標準RFよりも有意に良好であった。 本稿では,実践者の制約,データセット特性,ラベルの可用性,ハードウェア,遅延予算を適切なメソッドクラスにマッピングする階層化決定フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.0347823906737001
• License:
• Abstract: Reciprocal Rank Fusion (RRF) is widely used to combine sparse and dense retrievers in hybrid information retrieval, but a critical limitation is that it assigns a fixed, uniform weight to each retriever regardless of the query. Query-aware methods treat the per-query optimal weight as a single point, an assumption whose empirical validity has not been examined. We present an empirical study of eight dynamic fusion weight prediction strategies across four datasets and four sparse--dense retriever pairs. When we compare these approaches to static fusion and a per-query oracle that bounds achievable performance, several findings emerge. First, the per-query optimal fusion weight is typically an interval rather than a point. Queries can have multiple optimal intervals, and these can take on a variety of shapes. Second, 74 of 128 dynamic fusion methods tested were significantly better than standard RRF after false discovery rate correction. Third, dynamic fusion methods exhibit differing quality and latency characteristics that should be considered when choosing an appropriate fusion method. To address this last finding, we present a tiered decision framework that maps practitioner constraints, dataset properties, label availability, hardware, and latency budget to an appropriate method class. We release the code for our experiments at https://github.com/thomsonreuters/query-based-rrf.
• Abstract（参考訳）: Reciprocal Rank Fusion (RRF) は、ハイブリッド情報検索においてスパースと密度の高いレトリバーを組み合わせるために広く用いられているが、重要な制限は、クエリに関係なく各レトリバーに固定された均一な重みを割り当てることである。 クエリー対応の手法では、クエリーごとの最適重量を単一のポイントとして扱うが、これは経験的妥当性が検証されていない仮定である。 本研究では,4つのデータセットと4つのスパース・ディエンス・レトリバー・ペアにまたがる8つの動的核融合重量予測戦略について実験的検討を行った。 これらのアプローチを静的融合と、達成可能なパフォーマンスを束縛するクエリごとのオラクルと比較すると、いくつかの知見が浮かび上がる。 第一に、クエリごとの最適核融合重量は、通常1点ではなく間隔である。 クエリは複数の最適な間隔を持ち、様々な形を取ることができる。 第2に、128のダイナミックフュージョン法のうち74は、偽発見率補正後の標準RFよりも有意に優れていた。 第3に、動的核融合法は、適切な核融合法を選択する際に考慮すべき品質と遅延特性が異なる。 この最後の発見に対処するために、実践者の制約、データセットプロパティ、ラベルの可用性、ハードウェア、遅延予算を適切なメソッドクラスにマッピングする階層化された決定フレームワークを提案する。 実験用のコードはhttps://github.com/thomsonreuters/query-based-rrf.comで公開しています。

関連論文リスト

• Learning Sample-wise Rank-aware Interpolation Weights for Composed Visual Data Retrieval [39.97218342175001]
  クエリ固有の重みを動的に予測する最初のフレームワークであるSRAINを紹介します。 SRAINは合成ビデオ検索において最良を達成し、合成画像検索における現在の技術状況と一致する。
  論文  参考訳（メタデータ） (2026-08-23T16:38:00Z)
• Evidence-Unit Fairness and the Limits of Query-Adaptive Sparse-Dense Fusion in Financial Document Retrieval [4.371552631761563]
  本研究では,企業10-K申請に対するエキスパートアノテート質問のベンチマークであるFinDERについて,スパース・ディエンスハイブリッド検索について検討した。 検索ユニットが高密度エンコーダの入力ウィンドウよりも大きい場合、高密度モデルはラベル付きエビデンスの大部分を決して見ることができない。 修正されたコーパスでは、BM25とコンパクトな高密度エンコーダを融合させることで、参照レベルhit@10はどちらのコンポーネントよりも約28%向上する。
  論文  参考訳（メタデータ） (2026-07-31T18:06:58Z)
• Skim and Skip: Hierarchical Adaptive Inference for Efficient Multimodal Retrieval [66.50180500995627]
  Skim and Skip (SAS) は効率的なマルチモーダル検索のための階層型適応推論フレームワークである。 SASは、最終検索埋め込みに最も関係のある入力情報のみを保持するためにトークンレベルのエビデンス選択を行う。 12個のMMEB検索タスクの実験では、SASは密度の高いベースラインの平均検索性能の約99%を維持している。
  論文  参考訳（メタデータ） (2026-06-24T06:58:25Z)
• 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)
• Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
  本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。 ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。 トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
  論文  参考訳（メタデータ） (2026-02-26T11:08:39Z)
• Maximally-Informative Retrieval for State Space Model Generation [59.954191072042526]
  テスト時に特定のクエリに対するモデル不確実性を最小化するために、Retrieval In-Context Optimization (RICO)を導入する。 文書検索に外部に依存した従来の検索強化生成(RAG)とは異なり,本手法はモデルから直接のフィードバックを利用する。 モデル勾配を用いた標準のトップ$kの検索は、最適化手順を近似し、残余損失への接続を提供することを示す。
  論文  参考訳（メタデータ） (2025-06-13T18:08:54Z)
• Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting [64.45587649141842]
  時系列予測は多くの現実世界のアプリケーションにおいて重要な役割を果たす。 1つのモデルは、異なるテストサンプルで一貫して他よりも優れていますが、(ii) それぞれのモデルは特定のケースで優れています。 異種モデルのサンプルレベル適応融合による時系列予測のためのフレームワークであるTimeFuseを紹介する。
  論文  参考訳（メタデータ） (2025-05-24T00:45:07Z)
• CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。 従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。 粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• A Comparative Assessment of Multi-view fusion learning for Crop Classification [3.883984493622102]
  この研究は、CropHarvestデータセットにおける作物分類のための異なる融合戦略を評価する。 本稿では,3つの異なるデータセットに対する多視点融合法の比較を行い,テスト領域によって異なる手法が最高の性能を得ることを示す。
  論文  参考訳（メタデータ） (2023-08-10T08:03:58Z)
• MIXER: Multiattribute, Multiway Fusion of Uncertain Pairwise Affinities [45.00178262932004]
  本稿では,不確実なペア親和性を直接処理できるマルチウェイ融合アルゴリズムを提案する。 最初のペア関係を必要とする既存の作業とは対照的に、我々のMIXERアルゴリズムはペア親和性によって提供される付加情報を活用することにより精度を向上する。
  論文  参考訳（メタデータ） (2022-10-15T19:19:57Z)

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。