Predicting Efficiency/Effectiveness Trade-offs for Dense vs. Sparse\n Retrieval Strategy Selection
Notice bibliographique
Résumé
Over the last few years, contextualized pre-trained transformer models such\nas BERT have provided substantial improvements on information retrieval tasks.\nRecent approaches based on pre-trained transformer models such as BERT,\nfine-tune dense low-dimensional contextualized representations of queries and\ndocuments in embedding space. While these dense retrievers enjoy substantial\nretrieval effectiveness improvements compared to sparse retrievers, they are\ncomputationally intensive, requiring substantial GPU resources, and dense\nretrievers are known to be more expensive from both time and resource\nperspectives. In addition, sparse retrievers have been shown to retrieve\ncomplementary information with respect to dense retrievers, leading to\nproposals for hybrid retrievers. These hybrid retrievers leverage low-cost,\nexact-matching based sparse retrievers along with dense retrievers to bridge\nthe semantic gaps between query and documents. In this work, we address this\ntrade-off between the cost and utility of sparse vs dense retrievers by\nproposing a classifier to select a suitable retrieval strategy (i.e., sparse\nvs. dense vs. hybrid) for individual queries. Leveraging sparse retrievers for\nqueries which can be answered with sparse retrievers decreases the number of\ncalls to GPUs. Consequently, while utility is maintained, query latency\ndecreases. Although we use less computational resources and spend less time, we\nstill achieve improved performance. Our classifier can select between sparse\nand dense retrieval strategies based on the query alone. We conduct experiments\non the MS MARCO passage dataset demonstrating an improved range of\nefficiency/effectiveness trade-offs between purely sparse, purely dense or\nhybrid retrieval strategies, allowing an appropriate strategy to be selected\nbased on a target latency and resource budget.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».