cs.IR
PulseAugur coverage of cs.IR — every cluster mentioning cs.IR across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新研究提出高效的AI研究代理上下文管理方法
一篇新研究论文介绍了一种名为边际价值估计的方法，以提高深度研究代理的效率。这些代理用于复杂、开放式任务，常常面临上下文窗口快速增长的问题，导致成本和延迟增加。该研究提出并比较了各种剪枝策略，发现早期剪枝在Token使用量方面提供了最显著的节省，将Token使用量减少了高达73%，而对质量的影响最小。虽然轻量级启发式方法有效，但学习型剪枝模型在特定权衡方面也显示出潜力，这表明剪枝在代理流程中的位置比所用方法的具体选择更关键。
-
新的 Lakehouse 方法通过文件剪枝增强向量搜索
研究人员开发了一种新颖的方法，用于将近似最近邻 (ANN) 搜索与结构化数据过滤集成到开放 Lakehouse 表格式中，特别是 Apache Iceberg 之上的 Parquet。该方法利用 Lakehouse 现有的文件剪枝功能，如分区剪枝和区域图 (zone-maps)，首先减少需要搜索的数据文件数量。IVF 索引嵌入在每个 Parquet 文件的页脚中，允许在过滤后对剩余文件进行高效的每文件 ANN 搜索。这种组合显著加快了…
-
新研究确立了单向量嵌入的近最优降维界限
研究人员开发了一种新方法，用于确立最大内积相似性中使用的单向量嵌入的近最优降维界限。这项工作通过提供一个接近现有上界的更紧密的界限，弥补了先前研究中的不足。新的证明技术结合了 Sherstov 的模式矩阵方法与 DNF 公式和多项式逼近来实现这一结果。
-
新的RAMP方法在用户数据有限的情况下提高了广告预测的准确性
研究人员开发了一种名为RAMP（Robust Ad Recommendation Under Limited Personalized-Feature Availability via Masking and Alignment Pathways）的新方法，以提高在线广告中点击率（CTR）和转化率（CVR）预测的准确性。RAMP旨在即使在个性化用户特征（如年龄和性别）因隐私法规受到限制时，也能保持高预测准确性。该系统采用双塔架构，结合…
-
新的TRUST框架改进了基于时间的会话推荐
研究人员开发了一个名为TRUST的新框架，用于基于时间的会话推荐系统。与使用绝对时间间隔的先前方法不同，TRUST根据每个项目特有的时间信号分布，将每个时间间隔与其关联的项目进行相对校准。这种方法改进了邻居采样、会话图编码和兴趣聚合，从而在公共数据集上提高了推荐性能。该框架是模型无关的，意味着它可以增强现有的时间推荐器。
-
新的NNN解码方法超越密集检索，增强信息检索能力
研究人员推出了一种新颖的信息检索方法——非负弹性网络（NNN）解码，超越了传统的密集检索方法的内积评分。该新技术将检索视为一个联合解码问题，选择其嵌入能够稀疏重建查询嵌入的文档。理论分析表明，NNN解码可以处理密集检索所能处理的所有查询，并额外处理具有相关文档的查询，从而提供更高的多样性和更低的冗余度。实验结果在基准测试中显示了持续的性能提升，而端到端训练过程进一步增强了这些改进。