MS MARCO
PulseAugur coverage of MS MARCO — every cluster mentioning MS MARCO across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的SCI-Defense框架对抗LLM排名操纵攻击
研究人员开发了SCI-Defense，一个旨在对抗针对基于LLM的排名系统的操纵攻击的新型框架。这些被称为生成式引擎优化（GEO）的攻击，涉及对手将误导性信号注入产品描述中以人为地提高其排名。SCI-Defense集成了困惑度检测、语义完整性评分和候选间检测，以识别和阻止这些操纵。在亚马逊产品描述和MS MARCO网页上的评估表明，SCI-Defense在对抗各种攻击类型方面具有高精度和高召回率，优于现有的防御机制。
-
新的逐层令牌压缩技术提升文档重排速度
研究人员开发了一种名为逐层令牌压缩（LTC）的新方法，以提高信息检索中使用的基于Transformer的文档重排模型的效率。与仅应用于初始嵌入层的先前令牌压缩技术不同，LTC在中间Transformer层调整令牌池化。这种方法在速度上显示出显著提升，将passage ranking的每秒推理查询数提高了高达25%，将document ranking的每秒推理查询数提高了116%，同时保持了重排质量。该方法也适用于长上下文列表式重排，甚…
-
LLMs power new adversarial attacks on neural ranking models
Researchers have developed a new framework called CRAFT to attack neural ranking models used in information retrieval. This framework utilizes large language models to generate adversarial content, which is then used to…
-
研究人员提出参数化记忆头以改进生成检索模型
研究人员开发了一种名为后适应记忆调优（PAMT）的新方法，以应对生成信息检索模型中灾难性遗忘的挑战。PAMT引入了一个模块化的参数化记忆头，可以在不改变现有模型核心参数的情况下对其进行增强。该记忆头在解码过程中允许稀疏查询和残差校正，指导文档标识符的生成，同时保留来自先前文档集的知识。实验表明，PAMT在对新文档性能影响极小的情况下，显著提高了对旧信息的保留能力。
-
Rabtriever模型高效检索理由，降低LLM计算成本
研究人员开发了一种新颖的方法Rabtriever，以提高基于理由的信息检索的效率。该方法采用生成式重排器的策略内蒸馏，灵感来自联合嵌入预测架构（JEPA）。Rabtriever通过将传统方法的二次复杂度优化为线性复杂度，显著降低了计算成本，同时在各种检索任务上保持了可比的准确性。