Copertina

Is Position Bias in Dense Retrievers Built In-or Learned from Data?

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Yu, Daegon, Han, SeungYoon, Park, Woomyoung
Natura:	Preprint
Pubblicazione:	2026
Soggetti:	Information Retrieval
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

EXIT: Context-Aware Extractive Compression for Enhancing Retrieval-Augmented Generation
di: Hwang, Taeho, et al.
Pubblicazione: (2024)

Temporal Information Retrieval via Time-Specifier Model Merging
di: Han, SeungYoon, et al.
Pubblicazione: (2025)

Training Dense Retrievers with Multiple Positive Passages
di: Wang, Benben, et al.
Pubblicazione: (2026)

Improving Dense Passage Retrieval with Multiple Positive Passages
di: Chang, Shuai
Pubblicazione: (2025)

Improving the Robustness of Dense Retrievers Against Typos via Multi-Positive Contrastive Learning
di: Sidiropoulos, Georgios, et al.
Pubblicazione: (2024)

An Empirical Study of Position Bias in Modern Information Retrieval
di: Zeng, Ziyang, et al.
Pubblicazione: (2025)

Analyzing the Effectiveness of Listwise Reranking with Positional Invariance on Temporal Generalizability
di: Yoon, Soyoung, et al.
Pubblicazione: (2024)

Negative Data Mining for Contrastive Learning in Dense Retrieval at IKEA.com
di: Agapaki, Eva, et al.
Pubblicazione: (2026)

Boosting Data Utilization for Multilingual Dense Retrieval
di: Huang, Chao, et al.
Pubblicazione: (2025)

Learning Refined Document Representations for Dense Retrieval via Deliberate Thinking
di: Ji, Yifan, et al.
Pubblicazione: (2025)

CroPS: Improving Dense Retrieval with Cross-Perspective Positive Samples in Short-Video Search
di: Xie, Ao, et al.
Pubblicazione: (2025)

Decoding Dense Embeddings: Sparse Autoencoders for Interpreting and Discretizing Dense Retrieval
di: Park, Seongwan, et al.
Pubblicazione: (2025)

On the Scaling of Robustness and Effectiveness in Dense Retrieval
di: Liu, Yu-An, et al.
Pubblicazione: (2025)

Enhancing Dense Retrievers' Robustness with Group-level Reweighting
di: Han, Peixuan, et al.
Pubblicazione: (2023)

Dynamic Context Selection for Retrieval-Augmented Generation: Mitigating Distractors and Positional Bias
di: Iratni, Malika, et al.
Pubblicazione: (2025)

Does Generative Retrieval Overcome the Limitations of Dense Retrieval?
di: Zhang, Yingchen, et al.
Pubblicazione: (2025)

Retrieval-GRPO: A Multi-Objective Reinforcement Learning Framework for Dense Retrieval in Taobao Search
di: Liu, Xingxian, et al.
Pubblicazione: (2025)

Teaching Dense Retrieval Models to Specialize with Listwise Distillation and LLM Data Augmentation
di: Tamber, Manveer Singh, et al.
Pubblicazione: (2025)

Dense Passage Retrieval in Conversational Search
di: Salamah, Ahmed H., et al.
Pubblicazione: (2025)

Reproducibility Analysis and Enhancements for Multi-Aspect Dense Retriever with Aspect Learning
di: Bi, Keping, et al.
Pubblicazione: (2024)

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

Mamba Retriever: Utilizing Mamba for Effective and Efficient Dense Retrieval
di: Zhang, Hanqi, et al.
Pubblicazione: (2024)

Position Bias Estimation with Item Embedding for Sparse Dataset
di: Ishikawa, Shion, et al.
Pubblicazione: (2023)

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

Dense Passage Retrieval: Is it Retrieving?
di: Reichman, Benjamin, et al.
Pubblicazione: (2024)

Conventional Contrastive Learning Often Falls Short: Improving Dense Retrieval with Cross-Encoder Listwise Distillation and Synthetic Data
di: Tamber, Manveer Singh, et al.
Pubblicazione: (2025)

Mitigate Position Bias with Coupled Ranking Bias on CTR Prediction
di: Zhao, Yao, et al.
Pubblicazione: (2024)

Generative Retrieval Overcomes Limitations of Dense Retrieval but Struggles with Identifier Ambiguity
di: Bracher, Adrian, et al.
Pubblicazione: (2026)

Leveraging LLMs for Unsupervised Dense Retriever Ranking
di: Khramtsova, Ekaterina, et al.
Pubblicazione: (2024)

DenseReviewer: A Screening Prioritisation Tool for Systematic Review based on Dense Retrieval
di: Mao, Xinyu, et al.
Pubblicazione: (2025)

ListT5: Listwise Reranking with Fusion-in-Decoder Improves Zero-shot Retrieval
di: Yoon, Soyoung, et al.
Pubblicazione: (2024)

Don't Retrieve, Generate: Prompting LLMs for Synthetic Training Data in Dense Retrieval
di: Sinha, Aarush
Pubblicazione: (2025)

Adaptive Retrieval for Reasoning-Intensive Retrieval
di: Kim, Jongho, et al.
Pubblicazione: (2026)

LSTM-based Selective Dense Text Retrieval Guided by Sparse Lexical Retrieval
di: Yang, Yingrui, et al.
Pubblicazione: (2025)

MARVEL: Unlocking the Multi-Modal Capability of Dense Retrieval via Visual Module Plugin
di: Zhou, Tianshuo, et al.
Pubblicazione: (2023)

Embark on DenseQuest: A System for Selecting the Best Dense Retriever for a Custom Collection
di: Khramtsova, Ekaterina, et al.
Pubblicazione: (2024)

A Multi-Granularity-Aware Aspect Learning Model for Multi-Aspect Dense Retrieval
di: Sun, Xiaojie, et al.
Pubblicazione: (2023)

Domain-Adaptive Dense Retrieval for Brazilian Legal Search
di: Pereira, Jayr, et al.
Pubblicazione: (2026)

Investigating Multi-layer Representations for Dense Passage Retrieval
di: Xie, Zhongbin, et al.
Pubblicazione: (2025)

Scaling Sparse and Dense Retrieval in Decoder-Only LLMs
di: Zeng, Hansi, et al.
Pubblicazione: (2025)