分类: 学习

27 篇文章

thumbnail
论文日常阅读笔记——Breaking the Lens of the Telescope: Online Relevance Estimation over Large Retrieval Sets(2025 SIGIR)
Breaking the Lens of the Telescope: Online Relevance Estimation over Large Retrieval Sets提出了在线相关性估计 ORE:针对每个查询,只用少量昂贵重排模型的评分在线学习一个轻量级相关性估计器,然后不断重新安排整个候选池中的文档优先级,从而在减少重排调用的同时,找回传统级联检索过早排除的相关文档。
thumbnail
论文日常阅读笔记——Reproducing Adaptive Reranking for Reasoning-Intensive IR(SIGIR 2026)
Reproducing Adaptive Reranking for Reasoning-Intensive IR这篇工作发表于 SIGIR 2026 Reproducibility Track(可复现性赛道)。它不是重新发明 GAR,而是把 2022 年提出的 Graph-based Adaptive Re-ranking,图式自适应重排序,迁移到更困难的 BRIGHT 推理检索任务中,检验原结论是否仍然成立。
thumbnail
论文日常阅读笔记——Early Exiting BERT for Efficient Document Ranking(2020 SustaiNLP)
Early Exiting BERT for Efficient Document Ranking(2020 SustaiNLP)提出了非对称提前退出BERT用于文档排序,这是一种有效提升模型在信息检索任务中效率的方法。计算资源根据样本的需求分配。实验表明,该方法能够通过设置不同的阈值实现不同的质量-延迟权衡,并且在基线条件下提升了模型效率。
thumbnail
论文日常阅读笔记——Beyond Sequential Reranking: Reranker-Guided Search Improves Reasoning Intensive Retrieval (ICLR 2026)
传统 reranker 只能重新排列初始检索出的文档,无法挽救 Top-k 之外的正确答案。RGS 在文档相似图上进行搜索,让 reranker 不仅给文档打分,还决定下一步探索哪个文档的邻居。在相同 reranker 预算下,RGS 在推理检索、指令检索和多模态检索上都优于顺序 reranking,但它依赖高质量的文档图,并面临串行搜索和 reranker 判断错误的问题。