Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2505.00649

帮助 | 高级搜索

计算机科学 > 信息检索

arXiv:2505.00649 (cs)
[提交于 2025年5月1日 ]

标题: 探究任务算术在零样本信息检索中的应用

标题: Investigating Task Arithmetic for Zero-Shot Information Retrieval

Authors:Marco Braga, Pranav Kasela, Alessandro Raganato, Gabriella Pasi
摘要: 大型语言模型(LLMs)在多种自然语言处理任务(包括文档重排序)的零样本性能上表现出令人印象深刻的能力。然而,它们在未见过的任务和领域中的有效性会下降,这主要是由于词汇和单词分布的变化。在这篇论文中,我们研究了任务算术,这是一种通过简单的数学运算(如加法或减法)结合在不同任务或领域预训练的LLMs权重的技术,以适应检索模型而无需额外的微调。我们的方法能够将多样化的任务和领域知识综合到一个单一模型中,从而实现在不同检索上下文中的有效零样本适应。在公开可用的科学、生物医学和多语言数据集上的广泛实验表明,我们的方法在NDCG@10上提高了最先进的重排序性能最多18%,在P@10上提高了15%。除了这些经验上的收益外,我们的分析还提供了关于任务算术作为零样本学习和模型适应实用策略的优势和局限性的见解。我们将代码公开提供在https://github.com/DetectiveMB/Task-Arithmetic-for-ZS-IR。
摘要: Large Language Models (LLMs) have shown impressive zero-shot performance across a variety of Natural Language Processing tasks, including document re-ranking. However, their effectiveness degrades on unseen tasks and domains, largely due to shifts in vocabulary and word distributions. In this paper, we investigate Task Arithmetic, a technique that combines the weights of LLMs pre-trained on different tasks or domains via simple mathematical operations, such as addition or subtraction, to adapt retrieval models without requiring additional fine-tuning. Our method is able to synthesize diverse tasks and domain knowledge into a single model, enabling effective zero-shot adaptation in different retrieval contexts. Extensive experiments on publicly available scientific, biomedical, and multilingual datasets show that our method improves state-of-the-art re-ranking performance by up to 18% in NDCG@10 and 15% in P@10. In addition to these empirical gains, our analysis provides insights into the strengths and limitations of Task Arithmetic as a practical strategy for zero-shot learning and model adaptation. We make our code publicly available at https://github.com/DetectiveMB/Task-Arithmetic-for-ZS-IR.
评论: 已被SIGIR '25接受
主题: 信息检索 (cs.IR) ; 计算与语言 (cs.CL); 机器学习 (cs.LG)
引用方式: arXiv:2505.00649 [cs.IR]
  (或者 arXiv:2505.00649v1 [cs.IR] 对于此版本)
  https://doi.org/10.48550/arXiv.2505.00649
通过 DataCite 发表的 arXiv DOI
相关 DOI: https://doi.org/10.1145/3726302.3730216
链接到相关资源的 DOI

提交历史

来自: Pranav Kasela [查看电子邮件]
[v1] 星期四, 2025 年 5 月 1 日 16:48:37 UTC (194 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.IR
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-05
切换浏览方式为:
cs
cs.CL
cs.LG

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号