Buchumschlag

Few-shot Prompting for Pairwise Ranking: An Effective Non-Parametric Retrieval Model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sinhababu, Nilanjan, Parry, Andrew, Ganguly, Debasis, Samanta, Debasis, Mitra, Pabitra
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Information Retrieval Computation and Language Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Modeling Ranking Properties with In-Context Learning
von: Sinhababu, Nilanjan, et al.
Veröffentlicht: (2025)

Dynamic Ranked List Truncation for Reranking Pipelines via LLM-generated Reference-Documents
von: Sinhababu, Nilanjan, et al.
Veröffentlicht: (2026)

Large Language Models are Effective Text Rankers with Pairwise Ranking Prompting
von: Qin, Zhen, et al.
Veröffentlicht: (2023)

AlpaPICO: Extraction of PICO Frames from Clinical Trial Documents Using LLMs
von: Ghosh, Madhusudan, et al.
Veröffentlicht: (2024)

"In-Context Learning" or: How I learned to stop worrying and love "Applied Information Retrieval"
von: Parry, Andrew, et al.
Veröffentlicht: (2024)

Disentangling Locality and Entropy in Ranking Distillation
von: Parry, Andrew, et al.
Veröffentlicht: (2025)

Top-Down Partitioning for Efficient List-Wise Ranking
von: Parry, Andrew, et al.
Veröffentlicht: (2024)

SuiteEval: Simplifying Retrieval Benchmarks
von: Parry, Andrew, et al.
Veröffentlicht: (2026)

Exploiting Positional Bias for Query-Agnostic Generative Content in Search
von: Parry, Andrew, et al.
Veröffentlicht: (2024)

GORAG: Graph-based Online Retrieval Augmented Generation for Dynamic Few-shot Social Media Text Classification
von: Wang, Yubo, et al.
Veröffentlicht: (2025)

Revisiting Query Variants: The Advantage of Retrieval Over Generation of Query Variants for Effective QPP
von: Tian, Fangzheng, et al.
Veröffentlicht: (2025)

Rank1: Test-Time Compute for Reranking in Information Retrieval
von: Weller, Orion, et al.
Veröffentlicht: (2025)

Medical Coding with Biomedical Transformer Ensembles and Zero/Few-shot Learning
von: Ziletti, Angelo, et al.
Veröffentlicht: (2022)

Generative Retrieval with Few-shot Indexing
von: Askari, Arian, et al.
Veröffentlicht: (2024)

Predicting Retrieval Utility and Answer Quality in Retrieval-Augmented Generation
von: Tian, Fangzheng, et al.
Veröffentlicht: (2026)

NUDGE: Lightweight Non-Parametric Fine-Tuning of Embeddings for Retrieval
von: Zeighami, Sepanta, et al.
Veröffentlicht: (2024)

T-Retrievability: A Topic-Focused Approach to Measure Fair Document Exposure in Information Retrieval
von: Chang, Xuejun, et al.
Veröffentlicht: (2025)

RAQG-QPP: Query Performance Prediction with Retrieved Query Variants and Retrieval Augmented Query Generation
von: Tian, Fangzheng, et al.
Veröffentlicht: (2026)

Promptriever: Instruction-Trained Retrievers Can Be Prompted Like Language Models
von: Weller, Orion, et al.
Veröffentlicht: (2024)

Optimizing Multi-Stage Language Models for Effective Text Retrieval
von: Trung, Quang Hoang, et al.
Veröffentlicht: (2024)

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

Comparing Neighbors Together Makes it Easy: Jointly Comparing Multiple Candidates for Efficient and Effective Retrieval
von: Song, Jonghyun, et al.
Veröffentlicht: (2024)

Scaling the Vocabulary of Non-autoregressive Models for Efficient Generative Retrieval
von: Valluri, Ravisri, et al.
Veröffentlicht: (2024)

Enhancing Q&A Text Retrieval with Ranking Models: Benchmarking, fine-tuning and deploying Rerankers for RAG
von: Moreira, Gabriel de Souza P., et al.
Veröffentlicht: (2024)

Simple Is Effective: The Roles of Graphs and Large Language Models in Knowledge-Graph-Based Retrieval-Augmented Generation
von: Li, Mufei, et al.
Veröffentlicht: (2024)

Few-shot Continual Relation Extraction via Open Information Extraction
von: Nguyen, Thiem, et al.
Veröffentlicht: (2025)

StealthRank: LLM Ranking Manipulation via Stealthy Prompt Optimization
von: Tang, Yiming, et al.
Veröffentlicht: (2025)

RankRAG: Unifying Context Ranking with Retrieval-Augmented Generation in LLMs
von: Yu, Yue, et al.
Veröffentlicht: (2024)

Retrieval-Enhanced Machine Learning: Synthesis and Opportunities
von: Kim, To Eun, et al.
Veröffentlicht: (2024)

Soft Prompt Tuning for Augmenting Dense Retrieval with Large Language Models
von: Peng, Zhiyuan, et al.
Veröffentlicht: (2023)

A Trio Neural Model for Dynamic Entity Relatedness Ranking
von: Nguyen, Tu, et al.
Veröffentlicht: (2018)

PromptDSI: Prompt-based Rehearsal-free Continual Learning for Document Retrieval
von: Huynh, Tuan-Luc, et al.
Veröffentlicht: (2024)

Accelerating Retrieval-Augmented Language Model Serving with Speculation
von: Zhang, Zhihao, et al.
Veröffentlicht: (2024)

LLMs as Assessors: Right for the Right Reason?
von: Saha, Sourav, et al.
Veröffentlicht: (2026)

FollowIR: Evaluating and Teaching Information Retrieval Models to Follow Instructions
von: Weller, Orion, et al.
Veröffentlicht: (2024)

Large Language Model Can Be a Foundation for Hidden Rationale-Based Retrieval
von: Ji, Luo, et al.
Veröffentlicht: (2024)

Breaking Flat: A Generalised Query Performance Prediction Evaluation Framework
von: Santra, Payel, et al.
Veröffentlicht: (2026)

Beyond Correlations: A Downstream Evaluation Framework for Query Performance Prediction
von: Santra, Payel, et al.
Veröffentlicht: (2026)

LURE-RAG: Lightweight Utility-driven Reranking for Efficient RAG
von: Chandra, Manish, et al.
Veröffentlicht: (2026)

Sparse and Dense Retrievers Learn Better Together: Joint Sparse-Dense Optimization for Text-Image Retrieval
von: Song, Jonghyun, et al.
Veröffentlicht: (2025)