PulseAugur
中
实时 06:06:20
English(EN) Improving Ad-hoc Search Effectiveness for Conversational Information Retrieval via Model Merging

模型合并无需重新训练即可增强对话式搜索

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员采用模型合并技术，为对话式信息检索引入了一种新颖的无需训练的策略。该方法旨在创建一个单一的检索模型，该模型无需额外的微调即可在即席搜索和对话式搜索环境中有效运行。使用线性合并和非线性逐参数合并（如Model Soup和Slerp）在标准数据集上的实验表明，对话式检索器的即席搜索能力得到了显著提高。该方法还增强了跨任务特定数据集的泛化能力，在零样本条件下NDCG@3的提升高达15%。 AI

影响 这项模型合并技术可能带来更高效、更多功能的检索系统，减少昂贵的重新训练需求。

排序理由 该条目是一篇提交至arXiv的研究论文，详细介绍了一种改进信息检索的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

模型合并无需重新训练即可增强对话式搜索

报道来源 [2]

  1. arXiv cs.CL TIER_1 English(EN) · Ahmed Rayane Kebir, Jose G. Moreno, Lynda Tamine ·

    Improving Ad-hoc Search Effectiveness for Conversational Information Retrieval via Model Merging

    arXiv:2607.08540v1 Announce Type: cross Abstract: Conversational information retrieval is challenging since it requires the consideration of the conversation history which potentially gives rise to topic shifts and coreference resolution across previous turns. To address these ch…

  2. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Lynda Tamine ·

    通过模型合并提升对话式信息检索的即席搜索有效性

    Conversational information retrieval is challenging since it requires the consideration of the conversation history which potentially gives rise to topic shifts and coreference resolution across previous turns. To address these challenges, previous work mainly rely on traditional…

相关实体

相关话题