본 논문은 대규모 언어 모델(LLM)을 이용한 목록 재순위 지정(listwise reranking)에서 컨텍스트 크기 제한과 높은 추론 비용으로 인해 발생하는 비효율성을 해결하기 위해 AcuRank라는 적응형 재순위 지정 프레임워크를 제안합니다. AcuRank는 문서 관련성에 대한 불확실성 추정치를 기반으로 계산량과 대상을 동적으로 조정합니다. 베이지안 TrueSkill 모델을 사용하여 관련성 추정치를 반복적으로 개선하여 충분한 신뢰 수준에 도달할 때까지 재순위 지정을 수행하며, 순위 지정 불확실성을 명시적으로 모델링하여 재순위 지정 동작을 원칙적으로 제어하고 신뢰할 수 있는 예측에 대한 불필요한 업데이트를 방지합니다. TREC-DL 및 BEIR 벤치마크 결과는 AcuRank가 일관되게 우수한 정확도-효율성 절충안을 달성하고 고정 계산 기준선보다 컴퓨팅 확장성이 더 뛰어남을 보여줍니다. 이러한 결과는 다양한 검색 작업과 LLM 기반 재순위 지정 모델에서 AcuRank의 효과와 일반화 가능성을 강조합니다.
