論文の概要: Do Retrieval Ranking Models Capture Event Order? A Study of Timeline-Constrained Retrieval
- arxiv url: http://arxiv.org/abs/2611.04343v1
- Date: Tue, 03 Nov 2026 05:27:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-10 02:10:16.136394
- Title: Do Retrieval Ranking Models Capture Event Order? A Study of Timeline-Constrained Retrieval
- Title（参考訳）: 検索ランキングモデルはイベントオーダーをキャプチャするか? -タイムライン制約付き検索モデルの検討-
- Abstract要約: 本研究では,クエリが自然言語イベント文の順序付けられたシーケンスである時系列制約付き文書検索について検討する。
広範に使われている高密度レトリバーとニューラルリランカーがそのような制約を捉えているかどうかを検証し、時間的順序を明示的に保存しているとランクが向上するかどうかを検証した。
- 参考スコア（独自算出の注目度）: 12.232241462328297
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Semantic retrieval models aim to match documents to a query's "meaning", yet it remains unclear whether they successfully encode temporal relations between events in their ranking mechanisms. We investigate this question by studying timeline-constrained document retrieval, where a query is an ordered sequence of natural-language event statements while a relevant document should match those events in a compatible temporal progression. We then test whether widely used dense retrievers and neural rerankers capture such constraints, and whether explicitly preserving temporal order improves ranking, using a controlled setting over a novel focused evaluation collection. Experiments show that state-of-the-art semantic retrievers and rerankers provide only limited improvements over lexical retrieval, suggesting that their semantic matching capabilities do not reliably capture temporal constraints. We then compare a timeline-aware method with both semantic matching and standard rerankers and find that it yields substantial improvements. This demonstrates that considering temporal order can provide a strong ranking signal in this setting, suggesting future research on improving temporal modeling in semantic retrievers.
- Abstract（参考訳）: セマンティック検索モデルは、文書をクエリの「意味」にマッチさせることを目的としているが、それらがランキング機構におけるイベント間の時間的関係をうまくエンコードしたかどうかは不明である。
本稿では,クエリが自然言語イベントステートメントの順序付けられたシーケンスであるのに対して,関連するドキュメントはそれらのイベントと互換性のある時間的進行で一致すべきである,というタイムライン制約のある文書検索について検討する。
次に,広範に使用されている高密度レトリバーとニューラルリランカがそのような制約を捕捉し,時間的順序を明示的に保ったままでランキングが向上するか否かを,新たな集中型評価コレクションの制御設定を用いて検証する。
実験により、最先端のセマンティックレトリバーとリランカは語彙検索よりも限られた改善しか得られないことが示され、それらのセマンティックマッチング機能は時間的制約を確実に捉えていないことが示唆された。
次に、タイムライン認識手法と、セマンティックマッチングと標準リランカを比較し、大幅な改善をもたらすことを確認する。
このことは、時間的順序を考えることで、この設定において強力なランキング信号を提供できることを示し、セマンティックレトリバーにおける時間的モデリングを改善するための今後の研究を示唆している。
関連論文リスト
- SEER: Self-Evolving Event Reasoning and Retrieval for Time Series Forecasting [78.20370240878118]
時系列予測のためのイベントコンディショニングを動的に最適化するクローズドループフレームワークSEER(Self-Evolving Event Reasoning and Retrieval)を提案する。
SEERは予測エラーを2つの分離されたフィードバックメカニズムに変換する。
イベント検索とリフレクションの両方にわたって厳格な時間境界を強制し、ルックアヘッドバイアスとデータ漏洩を防止する。
論文 参考訳（メタデータ） (2026-10-02T22:30:10Z) - TEMPS: Temporal Sentence Embeddings for Temporal Information Retrieval [0.48998185508205744]
時間的テキスト類似性(TTS: Temporal Textual similarity)は,2つのアンカーテキストの時間的一致を計測するタスクである。
次に、凍結したセマンティックレトリバーにアタッチされ、その信号で訓練されるモジュール時間分岐であるTEMPSを提示する。
3つの時間的ベンチマークでは、TEMPSはテストされたすべてのセマンティックバックボーンに対してMRRを改善し、TS-RetrieverではR@1を19.92から25.39に引き上げる。
論文 参考訳（メタデータ） (2026-09-23T13:05:09Z) - Which Histories Matter for Time Series Forecasting? Learning Predictive Relevance with Future Supervision [0.0]
正規化パターン検索器は、推定時刻のスコアを厳密に過去のみに保ちつつ、リストワイズ・フューチャー・コンパチビリティターゲットを学習する。
提案手法は類似性に基づく候補生成を継続するが,その候補をより予測的関連性基準で再評価する。
6つのベンチマークで、リランカはパターン検索を改善し、候補-グロバル、クエリ特化、および混合関連構造を明らかにした。
論文 参考訳（メタデータ） (2026-08-24T13:15:29Z) - Predictive Prefetching for Retrieval-Augmented Generation [12.088272012448328]
本稿では,進化する情報ニーズに整合したプレフェッチを可能にする,高度な非同期検索フレームワークを提案する。
複数のベンチマークの実験では、最大43.5%のエンドツーエンドのレイテンシ削減と62.4%の改善が示されている。
論文 参考訳（メタデータ） (2026-05-18T07:45:27Z) - 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) - TS-Haystack: A Multi-Scale Retrieval Benchmark for Time Series Language Models [4.387988928531881]
時系列言語モデル(TSLM)は、自然言語における連続的な信号の推論のための統一モデルとして登場している。
既存のモデルは通常、短いシーケンスでトレーニングされ、評価されるが、現実の時系列センサーストリームは数百万のデータポイントにまたがる。
TS-Haystackは4つのカテゴリにまたがる10のタスクタイプからなる長期コンテキストの時間的評価ベンチマークである。
論文 参考訳（メタデータ） (2026-02-15T15:50:02Z) - Dense X Retrieval: What Retrieval Granularity Should We Use? [56.90827473115201]
しばしば見過ごされる設計選択は、コーパスが索引付けされる検索単位である。
本稿では,高密度検索のための新しい検索ユニット,命題を提案する。
実験により、提案のような細粒度単位によるコーパスのインデックス付けは、検索タスクにおける通過レベル単位を著しく上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2023-12-11T18:57:35Z) - 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) - Query Resolution for Conversational Search with Limited Supervision [63.131221660019776]
本稿では,双方向トランスフォーマに基づくニューラルクエリ解決モデルQuReTeCを提案する。
我々はQuReTeCが最先端モデルより優れており、また、QuReTeCのトレーニングに必要な人為的なデータ量を大幅に削減するために、我々の遠隔監視手法が有効であることを示す。
論文 参考訳（メタデータ） (2020-05-24T11:37:22Z)
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。