Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Robust Generative Information Retrieval

Opis projektu

Budowanie wiarygodnego generatywnego modelu wyszukiwania informacji

Tradycyjny sposób wyszukiwania informacji opiera się na indeksowaniu i przeszukiwaniu baz danych. Nowe podejście oparte na generatywnym wyszukiwaniu informacji polega na kodowaniu całych zbiorów dokumentów bezpośrednio w modelu. Wyszukiwanie danych jest następnie formalizowane w postaci problemu sekwencyjnego, co pozwala na optymalizację modelu pod kątem sprawiedliwości, różnorodności i wpływu. Zespół finansowanego ze środków Europejskiej Rady ds. Badań Naukowych projektu UNITE ma na celu opracowanie godnych zaufania generatywnych systemów wyszukiwania. W tym celu badacze połączą modele generatywne z uczeniem maszynowym z wzmocnieniem. Rozwiązania zapewnią wysoką dokładność, niezawodność i odporność, ponadto badacze zajmą się wyjaśnialnością, powtarzalnością i bezpieczeństwem. Zastosowania nowych modeli obejmą przeszukiwanie wiadomości, systemy poleceń i pobieranie informacji na temat klimatu. Zespół projektu UNITE zamierza zmienić sposób gromadzenia, oceny i optymalizacji wyszukiwania informacji, co przyniesie korzyści społeczeństwu.

Cel

Generative information retrieval is an emerging paradigm that replaces the traditional index-then-retrieve pipeline by encoding all information about a document collection in the parameters of a model. The retrieval task is then formalized as a sequence-to-sequence learning problem, making it possible to optimize the system end-to-end. This enables optimization towards a broad range of goals, not just short-term utility ones but also broader long-term objectives, such as fairness and diversity.

Trustworthiness is a prerequisite for the development, deployment, and use of AI-based systems. With UNITE I propose a technical agenda to understand how we can build warranted trust in generative information retrieval while reaping the benefits of the potential this paradigm promises for optimizing for goals beyond short-term utility.

My methodological innovations will be based on advancing the foundations of generative information retrieval and a synthesis of generative information retrieval with reinforcement learning, capturing the sequential and interactive nature of retrieval, thus offering a principled way to deal with long-term goals. These advances will be pursued along three lines where generative information retrieval needs to uphold verifiable guarantees: accuracy, including well-defined and explained contexts of usage; reliability, including exhibiting parity with respect to sensitive attributes; and resilience to distributional shifts and adversarial examples. I will also study ways to probe generative information retrieval methods to aid explainability, reproducibility, and safety. We will demonstrate the utility of our new methodologies on tasks of great societal value: news search and recommendation, and information retrieval for climate impact.

While adventurous, UNITE has great algorithmic significance. It may lead to a fundamental re-assessment of how the field conceptualizes, evaluates and optimizes the success of information retrieval methods.

Dziedzina nauki (EuroSciVoc)

Projekt nie został jeszcze sklasyfikowany według klasyfikacji EuroSciVoc.
Wskaż dziedziny nauki, które twoim zdaniem są najbardziej istotne z punktu widzenia tego projektu i pomóż nam usprawnić naszą usługę klasyfikacji.

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-ERC - HORIZON ERC Grants

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) ERC-2024-ADG

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

UNIVERSITEIT VAN AMSTERDAM
Wkład UE netto
€ 2 868 930,00
Koszt całkowity
Brak danych

Beneficjenci (1)