Unisciti a noi il 14 novembre 2024, dalle 10:30 alle 12:00 (ora di Miami) per una sessione Birds of a Feather (BoF) incentrata su embeddings, reranker e small LM per migliorare la ricerca all'EMNLP 2024 a Miami. In seguito al successo del nostro Embeddings BoF all'EMNLP 2023 a Singapore, questa sessione in presenza di 1,5 ore riunirà ricercatori specializzati in modelli di embedding, reranker e vari argomenti nel campo dell'information retrieval. La sessione includerà presentazioni e una discussione di panel, offrendo un'eccellente opportunità per esplorare i recenti progressi nei modelli fondazionali di ricerca, condividere il proprio lavoro con un pubblico specializzato e discutere le tendenze emergenti nei modelli di ricerca nel 2024. Tutti i partecipanti in presenza all'EMNLP sono invitati a partecipare.
tagDettagli dell'Evento
- Data: Giovedì 14 novembre 2024
- Orario: 10:30 - 12:00 (ora di Miami)
- Luogo: Miami Lecture Hall
- Formato: In presenza
tagLink al Calendario
- Aggiungi a Google Calendar
- O scarica il file iCalendar/ics:
tagRegistrazione
Sebbene la registrazione generale non sia obbligatoria, incoraggiamo fortemente i partecipanti a registrarsi tramite il nostro Google Form per aiutarci a organizzare meglio la sessione. Se desideri presentare il tuo lavoro (slot di 10 minuti) o partecipare come panelist in questa sessione BoF, ti preghiamo di indicarlo nel modulo di registrazione. Questa è un'eccellente opportunità per condividere la tua ricerca con esperti nel campo degli embedding e dei modelli di ricerca.
tagArgomenti di Interesse
- Embeddings e reranker multimodali, multilingue, cross-lingue e cross-modali
- Modelli di late-interaction (es. ColBERT, ColPali) e late chunking
- Modelli di embedding per contesti lunghi
- Instruction-tuning per modelli di embedding e reranker
- Modelli di embedding basati su LLM
- Small language model per la lettura di documenti
- Architetture di embedding efficienti e leggere, meccanismi di attention e ottimizzazione
- Metodi di retrieval e adattamento zero/few-shot
- Approcci di contrastive learning per retriever
- Matryoshka Representation Learning, compressione e quantizzazione di embedding
- Sistemi di retrieval ibridi sparse-dense
- Adattamento al dominio per modelli di ricerca
- Metriche di valutazione e benchmark per MTEB, Embedding, Reranker, RAG
- Modelli di embedding per codice e dati strutturati
- Tecniche di embedding per la tutela della privacy







