Seien Sie dabei am 14. November 2024, von 10:30 bis 12:00 Uhr (Miami Zeit) bei einer Birds of a Feather (BoF) Session mit Fokus auf Embeddings, Reranker und kleine LMs für bessere Suche auf der EMNLP 2024 in Miami. Nach dem Erfolg unserer Embeddings BoF auf der EMNLP 2023 in Singapur wird diese 1,5-stündige Präsenzveranstaltung Forscher zusammenbringen, die sich auf Embedding-Modelle, Reranker und verschiedene Themen im Information Retrieval spezialisiert haben. Die Session wird Präsentationen und eine Podiumsdiskussion umfassen und bietet eine ausgezeichnete Gelegenheit, aktuelle Fortschritte bei Search Foundation Models zu erkunden, Ihre Arbeit einem spezialisierten Publikum vorzustellen und aufkommende Trends bei Suchmodellen in 2024 zu diskutieren. Alle EMNLP-Teilnehmer vor Ort sind herzlich willkommen.
tagVeranstaltungsdetails
- Datum: Donnerstag, 14. November 2024
- Zeit: 10:30 - 12:00 Uhr (Miami Zeit)
- Ort: Miami Lecture Hall
- Format: Präsenzveranstaltung
tagKalender-Links
- Zum Google Kalender hinzufügen
- Oder iCalendar/ics-Datei herunterladen:
tagAnmeldung
Während eine allgemeine Teilnahmeregistrierung nicht verpflichtend ist, empfehlen wir den Teilnehmern dringend, sich über unser Google-Formular zu registrieren, um uns bei der besseren Organisation der Veranstaltung zu unterstützen. Wenn Sie Ihre Arbeit präsentieren möchten (10-minütiger Slot) oder als Diskussionsteilnehmer an dieser BoF-Session teilnehmen möchten, geben Sie dies bitte im Anmeldeformular an. Dies ist eine ausgezeichnete Gelegenheit, Ihre Forschung mit Experten auf dem Gebiet der Embeddings und Suchmodelle zu teilen.
tagThemenschwerpunkte
- Multimodale, mehrsprachige, sprachübergreifende und modalitätsübergreifende Embeddings und Reranker
- Late-Interaction Modelle (z.B. ColBERT, ColPali) und Late Chunking
- Embedding-Modelle für lange Kontexte
- Instruction-Tuning für Embedding- und Reranker-Modelle
- LLM-basierte Embedding-Modelle
- Kleine Sprachmodelle für Dokumentenverarbeitung
- Effiziente und leichtgewichtige Embedding-Architekturen, Attention-Mechanismen und Optimierung
- Zero/Few-Shot Retrieval und Adaptionsmethoden
- Kontrastive Lernansätze für Retriever
- Matryoshka Representation Learning, Embedding-Kompression und Quantisierung
- Hybride Sparse-Dense Retrieval Systeme
- Domänenanpassung für Suchmodelle
- MTEB, Embedding, Reranker, RAG Evaluierungsmetriken und Benchmarks
- Embedding-Modelle für Code und strukturierte Daten
- Datenschutzwahrende Embedding-Techniken







