PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02831v1cs.AI

AMBER: 목록형 비전-언어 재순위화를 위한 다중 뷰 적응형 예산 할당

AMBER: Multi-View Adaptive Budget Allocation for Listwise Vision-Language Reranking

비전-언어 모델(VLM)은 멀티모달 검색을 위한 강력한 목록형(listwise) 재순위화 모델이지만, 높은 추론(inference) 비용으로 인해 작은 규모의 로컬 후보 뷰만 평가하도록 제한됩니다. 기존의 다중 호출 전략은 고정된 스케줄에 의존하므로 정보량이 적은 후보 쌍과 쉬운 쿼리에 값비싼 VLM 호출을 낭비합니다. 이를 해결하기 위해, 전역 자원 할당을 동적으로 최적화하는 온라인 예산 기반 다중 뷰 재순위화 프레임워크인 AMBER(Adaptive Multi-view Budgeted Elo Reranking)를 제안합니다. AMBER는 단편화된 목록형 VLM 출력을 로컬 토너먼트로 취급하고, 연속적인 Elo 업데이트를 사용하여 가벼운 전역 순위 상태를 유지합니다. 이를 바탕으로 두 가지 수준에서 계산을 할당합니다. 즉, 점수 모호성이 높은 후보 뷰를 동적으로 구성하고, 기대 정보 이득을 극대화하도록 쿼리를 스케줄링합니다. 우리는 각 Elo 업데이트가 Bradley-Terry 로그 가능도(likelihood)에 대한 확률적 그래디언트(gradient) 상승 단계에 해당함을 보이고, 쿼리 수준 할당 전략에 대한 서브모듈러(submodular) 정보이론적 근거를 제시합니다. CIRR, CIRCO 및 PhotoBench에 대한 실험을 통해 AMBER가 유사한 VLM 호출 예산 내에서 비교 대상 다중 호출 VLM 재순위화 방식 중 가장 뛰어난 종합적 성능을 달성하는 동시에, 더 적은 예산 설정에서도 효과적임을 입증합니다. 저희 코드는 https://github.com/wnlfc/AMBER 에서 공개적으로 이용할 수 있습니다.

arXiv:2606.11945v1cs.CL

SemEval-2026 Task 8의 uva-irlab-conv: 학습 기반 희소 검색과 리스트와이즈 재순위화를 활용한 멀티턴 검색-증강 생성(RAG)

uva-irlab-conv at SemEval-2026 Task 8: Multi-Turn RAG with Learned Sparse Retrieval and Listwise Reranking

이 보고서는 멀티턴 검색 및 질의응답에 관한 SemEval-2026 Task 8에 대한 우리의 참여를 설명합니다. 이 태스크는 4개의 도메인(금융, 클라우드 문서, 정부, 위키백과)에 걸쳐 대화형 시스템을 평가하며, 사용 가능한 컬렉션에 완전한 응답을 생성하기에 충분한 증거가 포함되어 있지 않은 답변 불가능한 쿼리를 포함합니다. 우리는 학습 기반 희소 검색을 대규모 언어 모델(LLM) 기반 재순위화 및 생성과 결합하는 멀티턴 검색-증강 생성(RAG) 파이프라인을 제안합니다. 희소 검색을 기본 검색 방법으로 사용하여, 우리는 도메인 간의 강력한 일반화 성능을 활용합니다. 또한, 우리는 대화형 쿼리 재작성, 포인트와이즈(pointwise) 및 리스트와이즈(listwise) 재순위화, 그리고 최종 응답 생성을 위해 LLM의 긴 컨텍스트(long-context) 기능을 활용하며, 이 각 단계는 전체 대화 기록에 조건화됩니다. 이 다단계 설계는 검색 및 생성 전반에 걸쳐 대화 컨텍스트를 효과적으로 통합할 수 있게 하여, 도메인 간 견고성을 향상시킵니다.