研究人员开发了CACO,一个旨在增强连续生成检索系统的新型自监督后训练框架。该框架优化查询协同以提高项目覆盖率和召回率,而不会显著增加推理延迟。CACO通过协调现有流匹配和扩散模型的查询来实现这一点,使用经验检索频率作为相关性的代理来创建无标签的覆盖目标。实验表明,CACO在各种基准测试中可将召回率提高高达23.9%,并将查询间重叠减少超过50%。 AI
影响 通过提高召回率和减少冗余来增强检索系统,同时延迟开销极小。
排序理由 该集群包含一篇详细介绍生成检索新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.IR (Information Retrieval) 阅读 →
- alphaXiv
- artificial neural network
- arXiv
- CACO
- CatalyzeX
- DagsHub
- diffusion
- Flow Matching for Generative Modeling
- Gotit.pub
- Hugging Face
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →