論文の概要: MICE to Meet You: From Re-ranking Only to End-to-End Retrieval

• arxiv url: http://arxiv.org/abs/2610.31932v1
• Date: Thu, 22 Oct 2026 21:28:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.297986
• Title: MICE to Meet You: From Re-ranking Only to End-to-End Retrieval
• Title（参考訳）: MICE to Meet You: トップからエンド・ツー・エンドの検索まで
• Abstract要約: 最近導入されたリグレードアーキテクチャであるMICEは、クロスエンコーダのような有効性と推論時間の短縮を両立することを目的としている。 MICEを用いた最初のエンドツーエンド検索パイプラインであるMICE-Pを導入する。 この結果から,MICE-Pは,効率効率効率のトレードオフを持つ新しい検索アーキテクチャであることがわかった。
• 参考スコア（独自算出の注目度）: 10.641863370476488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Late-interaction models offer state-of-the-art efficiency-effectiveness trade-offs for neural retrieval by enabling document representations to be pre-computed and efficiently indexed. Yet, their relatively simple interaction mechanisms, typically MaxSim, can limit their effectiveness compared to cross-encoders. MICE, a recently introduced re-ranking architecture, aims to combine cross-encoder-like effectiveness through expressive transformer-based scoring with reduced inference-time computation through document-side pre-computation. However, no practical way to store these document representations was explored. We address this limitation here and introduce MICE-P, the first end-to-end retrieval pipeline with MICE, based on PLAID to index the contextualized document token representations. We conduct a controlled comparison of MICE, ColBERT and cross-encoders by training comparable models using the Ettin Family under matched experimental conditions. Our results show that MICE-P defines a new class of retrieval architecture with an efficiency-effectiveness trade-off of its own: it matches late-interaction retrieval throughput while retaining the effectiveness of cross-encoders.
• Abstract（参考訳）: 遅延相互作用モデルは、文書表現を事前計算し、効率的にインデックス化することで、ニューラル検索のための最先端の効率効率性トレードオフを提供する。 しかし、それらの比較的単純な相互作用機構(通常はMaxSim)は、クロスエンコーダと比較して有効性を制限することができる。 最近導入されたリグレードアーキテクチャであるMICEは、表現型トランスフォーマーベースのスコアリングと文書側プリ計算による推論時間計算を併用することを目的としている。 しかし、これらの文書表現を実際に保存する方法は検討されなかった。 この制限に対処し、文脈化された文書トークン表現をインデックス化するためのPLAIDに基づいて、MICEによる最初のエンドツーエンド検索パイプラインであるMICE-Pを導入する。 一致した実験条件下で,Ettin Familyを用いて比較モデルを訓練することにより,MICE,ColBERT,クロスエンコーダの制御比較を行う。 この結果から,MICE-P は効率効率のトレードオフを持つ検索アーキテクチャを新たに定義し,クロスエンコーダの有効性を保ちながら,遅延応答の検索スループットにマッチすることを示した。

関連論文リスト

• MAVIS: Multi-Agent Video Retrieval via Structured Video Understanding [11.308633179211348]
  textbfMAVISは、検索をブルートフォース検索ではなく協調推論として再考する、新しいマルチエージェントフレームワークである。 検索中、プランナーは複雑なユーザ意図をアトミックなサブタスクに分解し、個別に候補を指名するために特別エージェントを派遣する。 MSR-VTT、MSVD、ActivityNetの実験は、MAVISがタスク固有の微調整なしで競争性能を発揮することを示した。
  論文  参考訳（メタデータ） (2026-06-08T15:36:15Z)
• Benchmarking Few-shot Transferability of Pre-trained Models with Improved Evaluation Protocols [123.73663884421272]
  より強力な事前訓練モデルと改良された適応アルゴリズムによって、わずかなショット転送が革新されている。 FEWTRANSは10種類のデータセットを含む総合的なベンチマークである。 FEWTRANS をリリースすることにより,数発の転写学習研究において再現性の向上を合理化するための厳密な "ルーラー" の提供を目指す。
  論文  参考訳（メタデータ） (2026-02-28T05:41:57Z)
• MICE: Minimal Interaction Cross-Encoders for efficient Re-ranking [12.107932271370563]
  クロスエンコーダは、情報検索において最先端のランキングの有効性を提供するが、推論コストが高い。 有害な相互作用や不要な相互作用を慎重に除去することで、新しい遅延相互作用のようなアーキテクチャを導出できることを示す。 MICEは標準のクロスエンコーダに比べて推論遅延を4倍に減らす。
  論文  参考訳（メタデータ） (2026-02-18T09:30:29Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• DocMamba: Efficient Document Pre-training with State Space Model [56.84200017560988]
  本稿では,状態空間モデルに基づく新しいフレームワークDocMambaを紹介する。 グローバルなモデリング能力を保ちながら、計算複雑性を線形に減らすように設計されている。 HRDocの実験では、DocMambaの長さ外挿の可能性が確認された。
  論文  参考訳（メタデータ） (2024-09-18T11:34:28Z)
• Efficient Document Ranking with Learnable Late Interactions [73.41976017860006]
  クロスエンコーダ(CE)とデュアルエンコーダ(DE)モデルは,情報検索におけるクエリドキュメント関連性の2つの基本的なアプローチである。 関連性を予測するため、CEモデルは共同クエリドキュメントの埋め込みを使用し、DEモデルは分解クエリとドキュメントの埋め込みを維持している。 近年、DEM構造と軽量スコアラを用いて、より好ましいレイテンシ品質のトレードオフを実現するために、遅延相互作用モデルが提案されている。
  論文  参考訳（メタデータ） (2024-06-25T22:50:48Z)
• Long Document Summarization with Top-down and Bottom-up Inference [113.29319668246407]
  本稿では、2つの側面の要約モデルを改善するための原則的推論フレームワークを提案する。 我々のフレームワークは、トップレベルが長距離依存性をキャプチャするドキュメントの階層的な潜在構造を前提としています。 本稿では,様々な要約データセットに対して提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-03-15T01:24:51Z)
• SDR: Efficient Neural Re-ranking using Succinct Document Representation [4.9278175139681215]
  本稿では, 強調圧縮した中間文書表現を演算する文書表現方式を提案する。 提案手法は効率が良く, 同一品質の圧縮速度が4x-11.6倍向上した。
  論文  参考訳（メタデータ） (2021-10-03T07:43:16Z)
• ColBERT: Efficient and Effective Passage Search via Contextualized Late Interaction over BERT [24.288824715337483]
  ColBERTは、ディープLMを効率的な検索に適応させる新しいランキングモデルである。 我々は最近の2つの経路探索データセットを用いてColBERTを広範囲に評価した。
  論文  参考訳（メタデータ） (2020-04-27T14:21:03Z)
• TwinBERT: Distilling Knowledge to Twin-Structured BERT Models for Efficient Retrieval [11.923682816611716]
  本稿では,効率的な検索のためのTwinBERTモデルを提案する。 クエリとドキュメントをそれぞれ表現するBERTライクなエンコーダがツイン構造化されている。 ドキュメントの埋め込みはオフラインでプリコンパイルされ、メモリにキャッシュされる。
  論文  参考訳（メタデータ） (2020-02-14T22:44:36Z)

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。