Forschung
Auf den Schultern von Riesen.
Von Donald Hebb bis zur aktuellen SIGIR- und ACL-Forschung: Hebby vereint das Beste aus Gedächtnispsychologie, Neurowissenschaft und Informatik.
43 Fachquellen
Klassische Grundlagenwerke und aktuelle Spitzenforschung.
Psychologie trifft Informatik
Wie das menschliche Gedächtnis arbeitet, übersetzt in ein Gedächtnis für KI.
Goldstandard statt Bauchgefühl
Von Psychological Review und Nature Reviews Neuroscience bis SIGIR, NeurIPS und ACL.
Vorbild Mensch: Gedächtnispsychologie
Das Fundament von Hebby: Klassiker und Schlüsselarbeiten darüber, wie das menschliche Gehirn lernt, verknüpft, konsolidiert und erinnert.
The Organization of Behavior: A Neuropsychological Theory
Hebb, D. O. (1949). Wiley; Neuauflage Psychology Press.
A spreading-activation theory of semantic processing
Collins, A. M., & Loftus, E. F. (1975). Psychological Review, 82(6).
Reflections of the Environment in Memory
Anderson, J. R., & Schooler, L. J. (1991). Psychological Science, 2(6).
Why there are complementary learning systems in the hippocampus and neocortex
McClelland, J. L., McNaughton, B. L., & O'Reilly, R. C. (1995). Psychological Review, 102(3).
The memory function of sleep
Diekelmann, S., & Born, J. (2010). Nature Reviews Neuroscience, 11(2).
Sprachmodelle und Agentengedächtnis
Aktuelle Forschung dazu, wie Sprachmodelle mit Kontext umgehen und wie KI-Agenten ein Gedächtnis bekommen.
Large Language Models Can Be Easily Distracted by Irrelevant Context
Shi, F., Chen, X., Misra, K., Scales, N., Dohan, D., Chi, E., Schärli, N., & Zhou, D. (2023). ICML 2023.
Diagnosing Retrieval vs. Utilization Bottlenecks in LLM Agent Memory
Yuan, B., Su, Y., & Yao, K. (2026). arXiv.
Generative Agents: Interactive Simulacra of Human Behavior
Park, J. S., O'Brien, J., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023). UIST '23.
HeLa-Mem: Hebbian Learning and Associative Memory for LLM Agents
Zhu, J., Li, J., Zhang, C., Liu, J., & Yang, M. (2026). ACL 2026.
Auditing Multimodal LLM Raters: Central Tendency Bias in Clinical Ordinal Scoring
Zhang, J., Elluri, S., Cherukuvada, B., Joffe, Y., Sena, J., et al. (2026). arXiv.
Multilingual E5 Text Embeddings: A Technical Report
Wang, L., Yang, N., Huang, X., Yang, L., Majumder, R., & Wei, F. (2024). arXiv.
Lernen aus Rückmeldung
Lernverfahren, mit denen sich ein Gedächtnis laufend selbst verbessert und mit seiner Umgebung umlernt.
An Empirical Evaluation of Thompson Sampling
Chapelle, O., & Li, L. (2011). NeurIPS 2011.
A Tutorial on Thompson Sampling
Russo, D. J., Van Roy, B., Kazerouni, A., Osband, I., & Wen, Z. (2018). Foundations and Trends in Machine Learning, 11(1).
Taming Non-stationary Bandits: A Bayesian Approach
Raj, V., & Kalyani, S. (2017). arXiv.
On Upper-Confidence Bound Policies for Switching Bandit Problems
Garivier, A., & Moulines, E. (2011). ALT 2011.
A Change-Detection Based Framework for Piecewise-Stationary Multi-Armed Bandit Problem
Liu, F., Lee, J., & Shroff, N. (2018). AAAI 2018.
Efficient Change-Point Detection for Tackling Piecewise-Stationary Bandits
Besson, L., Kaufmann, E., Maillard, O.-A., & Seznec, J. (2022). Journal of Machine Learning Research, 23.
Suche und Ranking
Information Retrieval auf Spitzenniveau: wie aus vielen Erinnerungen genau die richtigen werden.
Towards a Relevance Posterior in Neural Information Access
Parry, A., Lionis, A., Ganguly, D., & MacAvaney, S. (2026). SIGIR '26.
Relevance weighting for query independent evidence
Craswell, N., Robertson, S., Zaragoza, H., & Taylor, M. (2005). SIGIR '05.
Voting for candidates: adapting data fusion techniques for an expert search task
Macdonald, C., & Ounis, I. (2006). CIKM '06.
Formal models for expert finding in enterprise corpora
Balog, K., Azzopardi, L., & de Rijke, M. (2006). SIGIR '06.
A re-examination of text categorization methods
Yang, Y., & Liu, X. (1999). SIGIR '99.
Regularizing ad hoc retrieval scores
Diaz, F. (2005). CIKM '05.
Corpus structure, language models, and ad hoc information retrieval
Kurland, O., & Lee, L. (2004). SIGIR '04.
Cluster-based retrieval using language models
Liu, X., & Croft, W. B. (2004). SIGIR '04.
Adaptive Re-Ranking with a Corpus Graph
MacAvaney, S., Tonellotto, N., & Macdonald, C. (2022). CIKM '22.
Enhancing the Ranking Context of Dense Retrieval through Reciprocal Nearest Neighbors
Zerveas, G., Rekabsaz, N., & Eickhoff, C. (2023). EMNLP 2023.
Anfragegüte und Vektorraum
Wie ein Gedächtnis erkennt, wie verlässlich eine Erinnerung zur Anfrage passt.
Predicting query performance
Cronen-Townsend, S., Zhou, Y., & Croft, W. B. (2002). SIGIR '02.
Predicting Query Performance by Query-Drift Estimation
Shtok, A., Kurland, O., Carmel, D., Raiber, F., & Markovits, G. (2012). ACM Transactions on Information Systems, 30(2).
Modeling score distributions for combining the outputs of search engines
Manmatha, R., Rath, T., & Feng, F. (2001). SIGIR '01.
Performance prediction using spatial autocorrelation
Diaz, F. (2007). SIGIR '07.
Query Performance Prediction for Neural IR: Are We There Yet?
Faggioli, G., Formal, T., Marchesin, S., Clinchant, S., Ferro, N., & Piwowarski, B. (2023). ECIR 2023.
On Coherence-based Predictors for Dense Query Performance Prediction
Vlachou, M., & Macdonald, C. (2023). arXiv.
Coherence-based Query Performance Measures for Dense Retrieval
Vlachou, M., & Macdonald, C. (2024). ICTIR '24.
Hubs in Space: Popular Nearest Neighbors in High-Dimensional Data
Radovanović, M., Nanopoulos, A., & Ivanović, M. (2010). Journal of Machine Learning Research, 11.
How Contextual are Contextualized Word Representations?
Ethayarajh, K. (2019). EMNLP-IJCNLP 2019.
Rückkopplung und Anfrageerweiterung
Wie ein Gedächtnis Zusammenhänge weiterdenkt und eine Anfrage gezielt erweitert.
Pseudo Relevance Feedback with Deep Language Models and Dense Retrievers: Successes and Pitfalls
Li, H., Mourad, A., Zhuang, S., Koopman, B., & Zuccon, G. (2023). ACM Transactions on Information Systems.
Improving Query Representations for Dense Retrieval with Pseudo Relevance Feedback
Yu, H., Xiong, C., & Callan, J. (2021). CIKM '21.
Improving Query Representations for Dense Retrieval with Pseudo Relevance Feedback: A Reproducibility Study
Li, H., Zhuang, S., Mourad, A., Ma, X., Lin, J., & Zuccon, G. (2022). ECIR 2022.
Entity query feature expansion using knowledge base links
Dalton, J., Dietz, L., & Allan, J. (2014). SIGIR '14.
Improving automatic query expansion
Mitra, M., Singhal, A., & Buckley, C. (1998). SIGIR '98.
Gene set enrichment analysis: A knowledge-based approach for interpreting genome-wide expression profiles
Subramanian, A., Tamayo, P., Mootha, V. K., et al. (2005). PNAS, 102(43).
PARM: A Paragraph Aggregation Retrieval Model for Dense Document-to-Document Retrieval
Althammer, S., Hofstätter, S., Sertkan, M., Verberne, S., & Hanbury, A. (2022). ECIR 2022.