arXiv 论文：按查询动态调重排深度，平均深度可省 3 倍不掉效果
_reachsumit · x · 2026-11-06
- 论文《Optimal Re-Ranking Depth》(arXiv:2611.05908,作者 Siqing Huo、Andrew Parry、Debasis Ganguly、Charles L. A. Clarke)研究二级神经重排器的重排深度问题。
- 以往固定重排深度假设检索效果随深度增加而饱和；作者借助 LLM 相关性标注首次在逐 query 粒度定位最优深度，发现许多 query 存在明确的最优深度，超过后效果停滞甚至下降。
- 大多数传统查询性能预测(QPP)方法无法预测该深度；作者提出基于 LLM 评估第一阶段排序质量的预测器 IR-DCG@10,可将平均重排深度最多缩减至原来的 1/3 且保持整体效果；在 oracle 选深条件下，效果还可提升 7% 以上。
「研究」频道最新
- ExPert 论文反向求解扰动因果：从细胞状态溯源疾病驱动因素 — anshulkundaje · 2026-11-06
- mlpowered 补充论证:残差态梯度回传使远期预测信息得以编码 — mlpowered · 2026-11-06
- 学者评 AI 审阅代码:像趣味实验,但误报多、易误导人 — thegautamkamath · 2026-11-06
- UCLA 发布 FlowPilot：人类偏好对齐使人行道机器人干预率降 40% — zhoubolei · 2026-11-06
- NeurIPS 2026 Spotlight：diffTLM 从声音重建人类声道形状 — sainingxie · 2026-11-06
- 普林斯顿研究发现「睡眠回放」让 AI 从儿童真实语料学会数千词 — jpillowtime · 2026-11-06