推薦システムの検索モデルを一切いじらずに、後付けの軽量な「検証器」を1つ足すだけでRecallが大きく伸びる。Metaのチームがそんな手法を発表しました。 タイトル: Recommendation Retrievers Need Verifiers: Universal Generative Reranking for Sequential Recommendations URL: 既存の検索モデル（ドラフター）を凍結したまま、候補アイテムの識別子トークンを生成的に評価する軽量ベリファイアを追加する「ドラフター・ベリファイア」構成を提案しています。 🌐 注目ポイント1: カタログが大きいほど効く 音楽推薦データセットYaMBDaでは、カタログ規模が大きくなるほど改善幅が拡大しました。最大規模（46億相互作用）ではRecall@10が最大29.8%も向上しています。 🧩 注目ポイント2: どんなドラフターにも刺さる汎用性 自己注意ベースのSASRec、リカレント型のGRU4Rec、畳み込み型のNextItNet、さらにLLMベースのMiniOneRecまで、性質の異なる4種類すべてで同じ訓練レシピが機能しました。 🔬 注目ポイント3: 効いているのは「生成的な検証」そのもの ドラフターに直接コンテンツ情報を注入すると単体性能はむしろ下がりますが、そこにベリファイアを足すと回復します。改善は単純な特徴注入ではなく、出力側の生成的な検証プロセスそのものから生まれていることが実証されました。 検索インデックスを変えずに後付けできる点が、大規模実運用への導入しやすさとして大きいと感じました。 #推薦システム# #機械学習#

TL;DR 同じ文書が何度も検索されているのに、クエリのたびにまるごと再エンコードするのは無駄ではないでしょうか。DoPRは文書側の計算を一度だけ圧縮して保存し、複数のクエリで使い回すことでLLM再ランキングを高速化します。 タイトル: DoPR: Reusable Compressed Document Prefixes for Efficient LLM Reranking URL: 🔑 注意度に基づいてトップKのサリエントなトークンだけを選び、文書をクエリ非依存の圧縮プリフィックス（KV状態）として一度だけオフラインで計算・保存します ⚡ オンライン再ランキングではクエリとスコアトークンだけを処理すればよく、メモリを最大8.0倍削減、長い文書ではレイテンシを最大8.04倍短縮できました 📊 TREC DL19/DL20やBEIRでNDCG@10の97.1〜99.5%を維持し、モデルサイズが大きいほど圧縮による劣化に強いことも確認されています 🔁 同じ文書を複数クエリで使い回す設定では、DL19でクエリ10件のとき約2倍、長文書中心のCovidデータセットでは5件の時点で3倍超の高速化を達成しました 🧪 アブレーションでは、ランダム選択や先頭K選択よりも注意度ガイドのトップK選択が最良の性能（NDCG@10 71.44）を示し、追加パラメータなしで実現できています 💬 文書コレクションが安定していて繰り返しアクセスされる検索システムほど、この「一度計算して使い回す」発想の恩恵が大きそうです #検索# #LLM#

再ランキングは、どのクエリでも上位1000件まで回すのが本当に最善なのでしょうか。 Optimal Re-Ranking Depth ❓ 最適な深度はクエリで違うの？ 💡 違います。再ランキングの最適深度は、クエリごとに最高の効果に届く最も浅い深度として定義できます。深く回すと効果が下がるクエリもあります。MS MARCOでオラクルが深度を選ぶと、DCG@10が7%以上上がり、平均深度は約5分の1になります。 ❓ 事前に深度を予測できるの？ 💡 既存のクエリ性能予測（QPP）11種は、概ね当てになりませんでした。一方、第1段ランキングのDCG@10をLLMの関連性判定で測る「IR-DCG@10」は有望です。 ❓ どれくらい減らせる？ 💡 BM25とMono-T5では、全件再ランキングと同じ効果のまま平均深度が511から331へ、約3分の1になりました（最良のQPPは約2分の1）。SPLADEでは最適深度がもともと約20と浅く、IR-DCG@10で約15分の1の削減です。 ❓ 注意点は？ 💡 判定は単一のLLM（GPT-4o-mini）で、上位10件のプールが中心です。結果は予備的で、オラクルとの差も残ります。運用では、予測にLLM判定が必要な点が気になります。 #InformationRetrieval# #Reranking#

密ベクトルも、スパースも、マルチベクトルも、1つのRustコードベースで近似最近傍探索ができないでしょうか。 Modular and Efficient Approximate Nearest Neighbors Search with Vectorium and kANNolo 🧩 概要 データ管理層のVectoriumと、インデックス層のkANNoloという2つのRustライブラリです。エンコーダやデータセットはコンパイル時の型パラメータで特殊化されます。 🎯 解決する課題 ・Faissは組合せごとに専用コードがあり、拡張しにくい ・既存ライブラリは、グラフか量子化のどちらか一方しか切り出していない ・3種類の埋め込みを1つのインターフェースで扱えるものがない 🛠 方法論 ・11種のエンコーダ（PQ、RaBitQ、スパース用、マルチベクトル用など） ・HnswとIVFに、任意の第1段インデックスと再採点を組み合わせる2段のRerankIndex ・PQのテーブルをSoAで持ち、構築を4.5〜5.2倍に高速化 📊 実験結果 ・hnswlib比で99%精度時に最大3.26倍（kANNolo-Rerank、密データ） ・スパースは全コレクションで最小メモリ ・一方、AgNewsではGlassが、スパースではSeismicが速く、構築時間も速くはありません #ANNSearch# #Rust#

【Order Ranking】 Autumn Collection 2026 オーダー締切はあとわずか、 5月25日(月) 13:00まで。 アイテム選びのご参考に、 現時点でのオーダーランキングを公開 ▼ランキングを見る #glamb#

【Order Ranking】 Autumn Collection 2026 現時点でのオーダーランキングを公開 ▼ランキングを見る ✓先行予約締切：5月25日(月) 13:00 #glamb#

|◤　　　　　　　　　　　　 ◥|| 　GG RATING RANKING ||◣　　　　　　　　　　　　 ◢|| GGPL新宿の対象トーナメントで 月間レーティングランキングを開催！ エントリー・リエントリーごとにレートが変動し、 各大会の上位入賞でレートを獲得！ たくさん参加して、入賞を重ねるほど 月間ランキング上位のチャンス👀 現在のランキングはこちら👇 #GG新宿# #アミューズメントポーカー#

||◤　　　　　　　　　　　　 ◥|| 　GG RATING RANKING ||◣　　　　　　　　　　　　 ◢|| GGPL新宿の対象トーナメントで 月間レーティングランキングを開催！ エントリー・リエントリーごとにレートが変動し、 各大会の上位入賞でレートを獲得！ たくさん参加して、入賞を重ねるほど 月間ランキング上位のチャンス👀 現在のランキングはこちら👇 #GG新宿# #アミューズメントポーカー#

|◤　　　　　　　　　　　　 ◥|| 　MONTHLY DEEP RANKING ||◣　　　　　　　　　　　　 ◢|| 平日の昼トーナメント Daily Deep Stack 3K の月間ポイントランキングを開催！ 順位に応じてポイント付与、 EARLY BIRD 参加で追加ポイント👀 現在のランキングはこちら👇 ＃GG新宿 ＃アミューズメントポーカー

|◤　　　　　　　　　　　　 ◥|| 　MONTHLY DEEP RANKING ||◣　　　　　　　　　　　　 ◢|| 平日の昼トーナメント Daily Deep Stack 3K の月間ポイントランキングを開催！ 順位に応じてポイント付与、 EARLY BIRD 参加で追加ポイント👀 現在のランキングはこちら👇 ＃GG新宿 ＃アミューズメントポーカー