論文の概要: Directional Posterior Feedback Fusion for Query Reformulation in Dense Retrieval
- arxiv url: http://arxiv.org/abs/2610.29464v1
- Date: Wed, 21 Oct 2026 09:20:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.301364
- Title: Directional Posterior Feedback Fusion for Query Reformulation in Dense Retrieval
- Title（参考訳）: ディエンス検索におけるクエリ再構成のための方向的後部フィードバックフュージョン
- Abstract要約: 目的点ではなく方向証拠としてフィードバックをモデル化するクエリ再構成フレームワークであるDIFFを提案する。
DIFFは、クエリ更新を制限すべきフィードバックを明示的にモデル化する効果を実証し、全体的な検索性能を最大限に向上する。
- 参考スコア（独自算出の注目度）: 37.09569891148777
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dense retrieval has become a fundamental paradigm for modern information retrieval, supporting efficient semantic search across a wide range of applications. Its effectiveness, however, relies critically on query embeddings that adequately capture users' information needs, which can be difficult for short, ambiguous, or underspecified queries. Feedback-based query reformulation approaches like pseudo-relevance feedback (PRF) alleviate this by incorporating additional evidence from retrieved or generated content. However, existing embedding-space approaches commonly aggregate or interpolate feedback vectors, implicitly treating them as complete target representations. Such pointwise fusion can unnecessarily suppress query corrections along directions not expressed by individual feedback items, even when these directions are supported by complementary evidence. To address this limitation, we propose Directional Posterior Feedback Fusion (DIFF), a query reformulation framework that models feedback as directional evidence rather than target points. DIFF represents feedback as confidence-weighted directional evidence in the tangent space of the original query and jointly infers a controlled query update through prior-regularized posterior fusion, without retraining the underlying dense retriever. Experiments across multiple dense retrievers and different feedback sources show that DIFF achieves the best overall retrieval performance, demonstrating the effectiveness of explicitly modeling how feedback should constrain query updates.
- Abstract（参考訳）: デンス検索は現代の情報検索の基本的なパラダイムとなり、広範囲のアプリケーションにおける効率的なセマンティック検索をサポートする。
しかし、その有効性は、ユーザの情報ニーズを適切にキャプチャするクエリ埋め込みに批判的に依存する。
擬似関連フィードバック(PRF)のようなフィードバックベースのクエリ再構成アプローチは、検索または生成されたコンテンツから追加のエビデンスを取り入れることでこれを緩和する。
しかし、既存の埋め込み空間アプローチは一般的にフィードバックベクトルを集約または補間し、それらを完全なターゲット表現として暗黙的に扱う。
このようなポイントワイズ融合は、補完的な証拠によって支持された場合でも、個々のフィードバック項目によって表現されていない方向に沿ってクエリ補正を不必要に抑制することができる。
この制限に対処するため、ターゲットポイントではなく方向証拠としてフィードバックをモデル化するクエリ再構成フレームワークであるDIFF(Directional Posterior Feedback Fusion)を提案する。
DIFFは、元のクエリの接空間における信頼度重み付けされた方向証拠としてフィードバックを表現し、根底にある高密度レトリバーをトレーニングすることなく、事前規則化された後続核融合による制御されたクエリ更新を共同で推論する。
複数の高密度検索と異なるフィードバックソースによる実験により、DIFFはクエリの更新をいかに制限すべきかを明示的にモデル化し、最高の全体的な検索性能を達成することが示された。
関連論文リスト
- Autoregressive Retriever: Improving Query Understanding from Item Feedback for Universal Multimodal Retrieval [31.443229594491925]
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。
論文 参考訳（メタデータ） (2026-10-08T10:39:17Z) - CAFE: Self-Improving Search Agents Need Co-Evolving Feedback [64.5257526832476]
アウトカム管理された検索エージェントは、いつ、どのように証拠を回収するかを学習するが、端末の報酬は中間エラーのローカライズも、それらのエラーが複雑になる前に継続する軌道のリダイレクトもしない。
学習した軌道内での介入として修正的フィードバックを扱うことは、エージェントがいつフィードバックを要求し使用するかを決めなければならないのに対し、批評家は、エージェントが改善するにつれて障害パターンが変化する結果構築されたロールアウトから有用な修正を推測しなければならない。
論文 参考訳（メタデータ） (2026-08-25T16:39:00Z) - FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。
レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。
我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
論文 参考訳（メタデータ） (2026-04-14T17:04:25Z) - 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) - Generalized Pseudo-Relevance Feedback [29.669164314207947]
textit Generalized Pseudo Relevance Feedback (GPRF)
GPRFは、検索した文書に基づいて、モデルフリーで自然言語の書き直しを行う。
複数のベンチマークとレトリバーによる実験は、GPRFが強いベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2025-10-29T13:08:35Z) - iEBAKER: Improved Remote Sensing Image-Text Retrieval Framework via Eliminate Before Align and Keyword Explicit Reasoning [80.44805667907612]
iEBAKERは、弱い相関のサンプルペアをフィルタリングする革新的な戦略である。
SAR(Sort After Reversed Retrieval)戦略の代替として,SAR(Sort After Retrieval)戦略を導入する。
キーワード明示型推論(KER)モジュールを組み込んで、微妙なキー概念の区別による有益な影響を促進する。
論文 参考訳（メタデータ） (2025-04-08T03:40:19Z) - Pseudo Relevance Feedback is Enough to Close the Gap Between Small and Large Dense Retrieval Models [29.934928091542375]
大規模言語モデル (LLM) のバックボーンに高密度レトリバーを拡張させることは, 検索効率を向上させる主要な戦略である。
本稿では,機能ベースの擬似関連フィードバック(PRF)フレームワークであるPromptPRFを紹介する。
論文 参考訳（メタデータ） (2025-03-19T04:30:20Z) - Multi-path Exploration and Feedback Adjustment for Text-to-Image Person Retrieval [21.639455548282303]
MeFaは、イントラとインターモーダルの本質的なフィードバックを探索して、ターゲットの調整を行うフレームワークである。
MeFaは、追加のデータや複雑な構造を必要とすることなく、優れた人物検索性能を実現する。
論文 参考訳（メタデータ） (2024-10-26T03:25:27Z) - LoL: A Comparative Regularization Loss over Query Reformulation Losses
for Pseudo-Relevance Feedback [70.44530794897861]
Pseudo-Relevance feedback (PRF) は、検索精度を向上させるための効果的なクエリ修正手法であることが証明されている。
既存のPRF手法は、同じクエリから派生した修正クエリを個別に扱うが、異なる数のフィードバックドキュメントを使用する。
そこで我々はLos-over-Loss(LoL)フレームワークを提案する。
論文 参考訳（メタデータ） (2022-04-25T10:42:50Z)
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。