論文の概要: Optimal Re-Ranking Depth

• arxiv url: http://arxiv.org/abs/2611.05908v1
• Date: Wed, 04 Nov 2026 04:00:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.936626
• Title: Optimal Re-Ranking Depth
• Title（参考訳）: 最適再走行深さ
• Abstract要約: 第二段階のニューラルランサーは、探索効率が深度が増加するにつれて飽和すると仮定して、固定された再ランクの深さで一般的に適用される。 提案手法では,多くのクエリが最適再ランクの深さを示し,その効果が停滞または劣化することを示す。 LLM評価第1ステージランキング品質から導かれる予測器は, 平均再ランク深度を最大3。
• 参考スコア（独自算出の注目度）: 18.960186758739894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Second-stage neural rankers are commonly applied with a fixed re-ranking depth, assuming that retrieval effectiveness saturates as depth increases. Prior research has questioned the assumption that increasing the re-ranking depth yields linear performance gains, further suggesting that optimal re-ranking depth varies considerably from query to query. In the past, studying such phenomena was methodologically difficult given the scale of manual annotation required. With the advent of LLM-based relevance judgments we can now more easily undertake such studies, in this case to pinpoint the optimal re-ranking depth on a per-query basis. Using dense LLM-based relevance judgments over a typical re-ranking pipeline, we show that many queries exhibit a well-defined optimal re-ranking depth, beyond which effectiveness stagnates or degrades. We formulate re-ranking depth as a query-specific property and study whether it can be predicted a priori from first-stage retrieval characteristics. Through a large-scale analysis, we find that most standard query performance prediction (QPP) methods are ineffective for this task. In contrast, a predictor derived from LLM-assessed first-stage ranking quality, which we term IR-DCG@10, can reduce the average re-ranking depth by up to a factor of 3 while preserving overall effectiveness, depending on the specific first- and second-stage rankers used. Under oracle selection of optimal depths, we further show that retrieval effectiveness can improve by more than 7% while reducing the average re-ranking depth by a factor of 5 on the MSMARCO DEV collection. Given our promising preliminary findings, we would encourage the use of automatic judgments to facilitate research otherwise infeasible under manual annotation. Towards this point, we release relevance judgments, our codebase, and experimental artefacts to support reproducibility and further research.
• Abstract（参考訳）: 第二段階のニューラルランサーは、探索効率が深度が増加するにつれて飽和すると仮定して、固定された再ランクの深さで一般的に適用される。 従来の研究では、再階深度の増加が線形性能の向上をもたらすという仮定を疑問視しており、さらに、最適な再階深度がクエリからクエリに大きく異なることを示唆している。 過去には手作業による注釈の尺度が必要であったため,このような現象の研究は方法論的に困難であった。 LLMに基づく関連判断の出現により、より容易にそのような研究が実施でき、この場合、クエリ毎に最適な再ランクの深さを特定できる。 典型的再ランクパイプライン上での高密度LLMに基づく関連性判定を用いて、多くのクエリが適切に定義された最適再ランク深さを示し、その効果が停滞または劣化することを示す。 本稿では,クエリー固有の特性として深度を定式化し,第1段検索特性から事前予測できるかどうかを検討する。 大規模解析により、ほとんどの標準クエリ性能予測(QPP)手法は、このタスクには効果がないことがわかった。 対照的に、IR-DCG@10と呼ぶLCM評価第1段ランク品質から導かれる予測器は、使用する第1段と第2段ランクの特定の値に応じて、全体的な有効性を保ちながら、平均再ランクの深さを最大3倍まで低減することができる。 さらに,最適深度のオラクル選択により,MSMARCO DEVコレクションにおいて,平均再ランク深度を5倍に低減し,検索効率を7%以上向上できることを示す。 将来望まれる予備的な知見を踏まえ,手作業による手作業による研究を促進するために,自動判断の活用を奨励する。 この点に向けて、再現性とさらなる研究を支援するために、関係判断、コードベース、実験的な成果物をリリースする。

関連論文リスト

• Not Worth Another Token: Marginal Value Estimation for Efficient Deep Research Agents [69.57766200248706]
  深層研究エージェントの文脈管理における限界値推定について検討する。 我々は, 検索前, 検索後, 合成前において, 軽量な基準と学習価値モデルを評価する。 ライトウェイトは、少ない品質劣化でトークンの使用量を最大73%削減し、学習されたプルーニングは、選択されたトレードオフにおいて競争力を持ち、品質、効率、忠実性で1つの方法が支配することはない。
  論文  参考訳（メタデータ） (2026-08-09T00:56:37Z)
• When Does Sparsity Mitigate the Curse of Depth in LLMs [53.137717161619484]
  本研究では,分散伝播の規制として空間空間が機能し,深度利用が向上することを示す。 以上の結果から,大規模な言語モデルにおいて,より効率的な深度スケーリングを実現するための重要なメカニズムとして,スパーシリティが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-16T15:04:16Z)
• LLM Optimization Unlocks Real-Time Pairwise Reranking [6.0141312590967635]
  Pairwise Re rank Prompting (PRP) はそのユーザビリティと有効性から,将来性のあるプラグアンドプレイアプローチとして登場した。 本稿では、ペアワイズ・リライジングに焦点を合わせ、厳密な最適化手法がこれらの問題を著しく軽減できることを実証する。 Recall@kで測定されたパフォーマンスは、61.36秒から0.37秒まで、最高166倍の遅延削減を実現しています。
  論文  参考訳（メタデータ） (2025-11-10T19:04:41Z)
• DeepRAG: Thinking to Retrieve Step by Step for Large Language Models [92.87532210660456]
  我々はマルコフ決定過程(MDP)として検索強化推論をモデル化するDeepRAGを提案する。 クエリを反復的に分解することで、DeepRAGは外部知識を取得するか、あるいは各ステップでパラメトリック推論に依存するかを動的に決定する。 実験の結果,DeepRAGは検索効率を向上し,回答精度を26.4%向上させ,検索強化推論の有効性を示した。
  論文  参考訳（メタデータ） (2025-02-03T08:22:45Z)
• Drowning in Documents: Consequences of Scaling Reranker Inference [35.499018267073964]
  本研究は,第1段階検索を再現するだけでなく,完全検索のための再ランカ性能を計測する。 既存の最高のリランカは、徐々に多くのドキュメントをスコアリングするときに、初期的改善を提供します。
  論文  参考訳（メタデータ） (2024-11-18T17:46:32Z)
• DeeperImpact: Optimizing Sparse Learned Index Structures [4.92919246305126]
  我々は、SPLADEの最も効果的なバージョンと有効性ギャップを狭めることに重点を置いている。 その結果,SPLADEの最も有効なバージョンとの有効性ギャップは著しく狭められた。
  論文  参考訳（メタデータ） (2024-05-27T12:08:59Z)
• Dissecting Deep RL with High Update Ratios: Combatting Value Divergence [21.282292112642747]
  ネットワークパラメータをリセットすることなく、深層強化学習アルゴリズムが学習能力を維持できることを示す。 我々は,大規模な更新率での学習を可能にする,単純な単球正規化を採用している。
  論文  参考訳（メタデータ） (2024-03-09T19:56:40Z)
• Sample Complexity of Preference-Based Nonparametric Off-Policy Evaluation with Deep Networks [58.469818546042696]
  我々は、OPEのサンプル効率を人間の好みで研究し、その統計的保証を確立する。 ReLUネットワークのサイズを適切に選択することにより、マルコフ決定過程において任意の低次元多様体構造を活用できることが示される。
  論文  参考訳（メタデータ） (2023-10-16T16:27:06Z)
• Exploiting Causal Graph Priors with Posterior Sampling for Reinforcement Learning [86.22660674919746]
  後部サンプリングは、環境の遷移力学に関する事前知識の活用を可能にする。 本稿では,環境変数に対する因果グラフとして先行値が与えられる新しい後方サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T14:16:04Z)

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。