Il Framework CapCal Affronta il Bias Posizionale nel Reranking Generativo Listwise

Un nuovo articolo di ricerca introduce CapCal (Content-Agnostic Probability Calibration), un framework senza addestramento progettato per mitigare il bias posizionale intrinseco nei sistemi di reranking generativo listwise. Il bias posizionale si riferisce alla sensibilità strutturale dei modelli all'ordine di input indipendentemente dalla rilevanza, un problema che i metodi esistenti faticano a risolvere efficacemente. Gli approcci di aggregazione al momento dell'inferenza creano problemi di latenza proibitivi, mentre le tecniche basate sull'addestramento spesso non riescono a eliminare i pregiudizi radicati, specialmente nei modelli compatti. CapCal disaccoppia meccanicamente il bias posizionale dalle decisioni di ranking stimando la distribuzione del bias attraverso segnaposto privi di contenuto. Il framework rettifica i logit di output utilizzando un meccanismo contrastivo adattivo all'entropia. Le valutazioni su 10 benchmark dimostrano che CapCal raggiunge prestazioni superiori tra i metodi senza addestramento mantenendo l'efficienza a passaggio singolo. In particolare, l'approccio sblocca il potenziale latente nei modelli leggeri. La ricerca è stata pubblicata su arXiv con identificatore 2604.10150v1.