Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Query Performance Prediction using Relevance Judgments Generated by Large Language Models

Created by
  • Haebom

저자

Chuan Meng, Negar Arabzadeh, Arian Askari, Mohammad Aliannejadi, Maarten de Rijke

개요

본 논문은 기존의 단일 스칼라 값으로 검색 시스템의 검색 성능을 예측하는 Query Performance Prediction (QPP) 방법의 한계를 극복하기 위해, 자동 생성된 관련성 판단을 활용하는 새로운 QPP 프레임워크인 QPP-GenRE를 제안합니다. QPP-GenRE는 각 항목의 관련성을 개별적으로 예측하여, 다양한 정보 검색 평가 척도를 예측하고 해석할 수 있도록 합니다. 오픈소스 대규모 언어 모델(LLM)을 활용하여 과도한 계산 비용 및 제한된 성능 문제를 해결하기 위해 근사 전략과 미세 조정 기법을 제시합니다. TREC 및 CAsT 데이터셋 실험 결과, QPP-GenRE는 기존 방법보다 우수한 성능을 보였습니다.

시사점, 한계점

•
시사점:
◦
기존 QPP 방법의 한계인 단일 스칼라 값으로 인한 정확도 및 해석성 저하 문제를 해결.
◦
자동 생성된 관련성 판단을 활용하여 다양한 정보 검색 평가 척도 예측 가능.
◦
오픈소스 LLM 활용으로 과학적 재현성 확보 및 접근성 향상.
◦
Lexical 및 Neural ranker 모두에서 최첨단 성능 달성.
•
한계점:
◦
재현율을 고려한 척도 예측을 위한 전체 말뭉치 판단의 과도한 계산 비용 문제.
◦
제로/퓨샷 방식에서 오픈소스 LLM의 성능 제한.
👍
Made with Slashpage