Buchumschlag

Axiomatic Causal Interventions for Reverse Engineering Relevance Computation in Neural Retrieval Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Catherine, Merullo, Jack, Eickhoff, Carsten
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Information Retrieval
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Interpreting Multilingual and Document-Length Sensitive Relevance Computations in Neural Retrieval Models through Axiomatic Causal Interventions
von: Savolainen, Oliver, et al.
Veröffentlicht: (2025)

Pathway to Relevance: How Cross-Encoders Implement a Semantic Variant of BM25
von: Lu, Meng, et al.
Veröffentlicht: (2025)

Evaluating Search System Explainability with Psychometrics and Crowdsourcing
von: Chen, Catherine, et al.
Veröffentlicht: (2022)

SSE: A Metric for Evaluating Search System Explainability
von: Chen, Catherine, et al.
Veröffentlicht: (2023)

MechIR: A Mechanistic Interpretability Framework for Information Retrieval
von: Parry, Andrew, et al.
Veröffentlicht: (2025)

Retrieval Augmented Zero-Shot Text Classification
von: Abdullahi, Tassallah, et al.
Veröffentlicht: (2024)

Understanding Wacky Weights: A Dissection of SPLADE's Learned Term Importance
von: Polyakov, Gregory, et al.
Veröffentlicht: (2026)

From Topology to Retrieval: Decoding Embedding Spaces with Unified Signatures
von: Rottach, Florian, et al.
Veröffentlicht: (2025)

Beyond Contrastive Learning: Synthetic Data Enables List-wise Training with Multiple Levels of Relevance
von: Esfandiarpoor, Reza, et al.
Veröffentlicht: (2025)

Beyond Content Relevance: Evaluating Instruction Following in Retrieval Models
von: Zhou, Jianqun, et al.
Veröffentlicht: (2024)

Reverse-Engineering the Retrieval Process in GenIR Models
von: Reusch, Anja, et al.
Veröffentlicht: (2025)

Generative Retrieval Meets Multi-Graded Relevance
von: Tang, Yubao, et al.
Veröffentlicht: (2024)

Towards an In-Depth Comprehension of Case Relevance for Better Legal Retrieval
von: Li, Haitao, et al.
Veröffentlicht: (2024)

Is Relevance Propagated from Retriever to Generator in RAG?
von: Tian, Fangzheng, et al.
Veröffentlicht: (2025)

SARA: A Collection of Sensitivity-Aware Relevance Assessments
von: McKechnie, Jack, et al.
Veröffentlicht: (2024)

Discovering Biases in Information Retrieval Models Using Relevance Thesaurus as Global Explanation
von: Kim, Youngwoo, et al.
Veröffentlicht: (2024)

Graded Relevance Scoring of Written Essays with Dense Retrieval
von: Albatarni, Salam, et al.
Veröffentlicht: (2024)

Limitations of Automatic Relevance Assessments with Large Language Models for Fair and Reliable Retrieval Evaluation
von: Otero, David, et al.
Veröffentlicht: (2024)

TPRF: A Transformer-based Pseudo-Relevance Feedback Model for Efficient and Effective Retrieval
von: Li, Hang, et al.
Veröffentlicht: (2024)

Reproducing and Extending Causal Insights Into Term Frequency Computation in Neural Rankers
von: van Marken, Cile, et al.
Veröffentlicht: (2025)

Leveraging Large Language Models for Relevance Judgments in Legal Case Retrieval
von: Ma, Shengjie, et al.
Veröffentlicht: (2024)

From Relevance to Utility: Evidence Retrieval with Feedback for Fact Verification
von: Zhang, Hengran, et al.
Veröffentlicht: (2023)

The Overlooked Role of Graded Relevance Thresholds in Multilingual Dense Retrieval
von: Wullach, Tomer, et al.
Veröffentlicht: (2026)

Beyond Relevance: Evaluate and Improve Retrievers on Perspective Awareness
von: Zhao, Xinran, et al.
Veröffentlicht: (2024)

PairDistill: Pairwise Relevance Distillation for Dense Retrieval
von: Huang, Chao-Wei, et al.
Veröffentlicht: (2024)

Unified Supervision for Walmart's Sponsored Search Retrieval via Joint Semantic Relevance and Behavioral Engagement Modeling
von: Desai, Shasvat, et al.
Veröffentlicht: (2026)

Towards Boosting LLMs-driven Relevance Modeling with Progressive Retrieved Behavior-augmented Prompting
von: Chen, Zeyuan, et al.
Veröffentlicht: (2024)

Domain Adaptation for Dense Retrieval and Conversational Dense Retrieval through Self-Supervision by Meticulous Pseudo-Relevance Labeling
von: Li, Minghan, et al.
Veröffentlicht: (2024)

Learning Effective Representations for Retrieval Using Self-Distillation with Adaptive Relevance Margins
von: Gienapp, Lukas, et al.
Veröffentlicht: (2024)

TRUE: A Reproducible Framework for LLM-Driven Relevance Judgment in Information Retrieval
von: Dewan, Mouly, et al.
Veröffentlicht: (2025)

Imagine All The Relevance: Scenario-Profiled Indexing with Knowledge Expansion for Dense Retrieval
von: Lee, Sangam, et al.
Veröffentlicht: (2025)

Breaking the Lens of the Telescope: Online Relevance Estimation over Large Retrieval Sets
von: Rathee, Mandeep, et al.
Veröffentlicht: (2025)

Enhancing Health Information Retrieval with RAG by Prioritizing Topical Relevance and Factual Accuracy
von: Uapadhyay, Rishabh, et al.
Veröffentlicht: (2025)

Data, Not Model: Explaining Bias toward LLM Texts in Neural Retrievers
von: Huang, Wei, et al.
Veröffentlicht: (2026)

Human-Computer Interaction as a basis for assessing Geographic Information Retrieval Systems.
von: Manuel Enrique Puebla Martínez
Veröffentlicht: (2018)

Why Uncertainty Estimation Methods Fall Short in RAG: An Axiomatic Analysis
von: Soudani, Heydar, et al.
Veröffentlicht: (2025)

Learning to Trust: Dynamic Utilization of Retrieval-Augmented Generation for E-commerce Search Relevance
von: Xu, Tingqiao, et al.
Veröffentlicht: (2025)

RAG-Match: Retrieval-Augmented Knowledge Injection and Hierarchical Reasoning for Calibrated Semantic Relevance
von: Jiang, Hengjun, et al.
Veröffentlicht: (2026)

Illusions of Relevance: Arbitrary Content Injection Attacks Deceive Retrievers, Rerankers, and LLM Judges
von: Tamber, Manveer Singh, et al.
Veröffentlicht: (2025)

Prism-Reranker: Beyond Relevance Scoring -- Jointly Producing Contributions and Evidence for Agentic Retrieval
von: Zhang, Dun
Veröffentlicht: (2026)