解耦对比学习提升零样本多语言密集检索
_reachsumit · x · 2026-08-04
核心挑战：多语言密集检索在向缺乏标注数据的低资源语言进行迁移时表现不佳。现有方法常将语义和语言特征纠缠在一起，干扰了检索的语义相关性优化。
提出方案：提出一种解耦对比学习（DCL）方法，将多语言句子表征分离为语义子空间和语言子空间。
技术细节：
- 设计基于分层语义对齐和语言去偏对比学习的解耦优化目标。
- 在句子和词元级别跨语言对齐检索相关的语义，同时在语言子空间中捕捉特定语言的差异。
效果：与检索目标联合优化，有效减少了语义匹配中由语言引起的干扰，促进了从英语监督到多语言的稳定零样本迁移。
「研究」频道最新
- QuerySplat: 解耦几何与外观的 3DGS 预测新框架 — zhenjun_zhao · 2026-08-04
- UniSim-SLAM: 统一 Sim(3) 优化的前馈 SLAM 系统 — zhenjun_zhao · 2026-08-04
- 无需标定板：卷帘快门相机自标定新方法 — zhenjun_zhao · 2026-08-04
- UniqueSplat: 结合视角先验的 3DGS 泛化重建新框架 — zhenjun_zhao · 2026-08-04
- Stipple: 结合视觉惯性跟踪的实时增量 3DGS 重建 — zhenjun_zhao · 2026-08-04
- 观点：掩码语言建模是历史弯路，本可直奔自回归 — jxmnop · 2026-08-04