@inproceedings{li-gaussier-2023-adaptation,
    title = "Adaptation de domaine pour la recherche dense par annotation automatique",
    author = "Li, Minghan  and
      Gaussier, Eric",
    editor = {Zargayouna, Ha{\"i}fa},
    booktitle = "Actes de CORIA-TALN 2023. Actes de la 18e Conf{\'e}rence en Recherche d`Information et Applications (CORIA)",
    month = "6",
    year = "2023",
    address = "Paris, France",
    publisher = "ATALA",
    url = "https://preview.aclanthology.org/jlcl-multiple-ingestion/2023.jeptalnrecital-coria.6/",
    pages = "93--110",
    language = "fra",
    abstract = "Bien que la recherche d`information neuronale ait connu des am{\'e}liorations, les mod{\`e}les de recherche dense ont une capacit{\'e} de g{\'e}n{\'e}ralisation {\`a} de nouveaux domaines limit{\'e}e, contrairement aux mod{\`e}les bas{\'e}s sur l`interaction. Les approches d`apprentissage adversarial et de g{\'e}n{\'e}ration de requ{\^e}tes n`ont pas r{\'e}solu ce probl{\`e}me. Cet article propose une approche d`auto-supervision utilisant des {\'e}tiquettes de pseudo-pertinence automatiquement g{\'e}n{\'e}r{\'e}es pour le domaine cible. Le mod{\`e}le T53B est utilis{\'e} pour r{\'e}ordonner une liste de documents fournie par BM25 afin d`obtenir une annotation des exemples positifs. L`extraction des exemples n{\'e}gatifs est effectu{\'e}e en explorant diff{\'e}rentes strat{\'e}gies. Les exp{\'e}riences montrent que cette approche aide le mod{\`e}le dense sur le domaine cible et am{\'e}liore l`approche de g{\'e}n{\'e}ration de requ{\^e}tes GPL."
}