相关性引导残差校准改进稠密检索谱压缩

RRC 用相关性判断校准谱压缩权重，无需额外训练。

资讯摘要

论文提出相关性引导残差校准（RRC），一种闭式方法，用相关性判断修正谱压缩中各保留方向的权重：先按正负样本得分贡献的均值与方差估计边际权重，保留正权重方向，再将其对数权重分解为幂律趋势与残差，把残差叠加到压缩器对数权重上，从而在保持整体谱趋势的同时调整单个方向。RRC 适用于 PCA、Whitening 和 SpecTemp，无需迭代训练或额外推理阶段。

要点速读

1. RRC 为闭式方法，利用相关性判断估计各保留方向的边际权重，并将对数权重分解为幂律趋势与残差后叠加修正。
2. 方法可应用于 PCA、Whitening、SpecTemp，修正并入文档与查询共享的既有变换，无需迭代训练或额外推理阶段。
3. 作者报告在三个编码器、九个数据集上，SpecTemp+RRC 在各目标维度取得最高平均效果；BRIGHT 五个数据集 768 维时较 SpecTemp 平均提升 2.34 nDCG@10，且在标量与乘积量化下仍有效。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。