論文の概要: Wiping out the limitations of Large Language Models -- A Taxonomy for Retrieval Augmented Generation

• arxiv url: http://arxiv.org/abs/2408.02854v3
• Date: Mon, 12 Aug 2024 16:44:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 18:21:52.456448
• Title: Wiping out the limitations of Large Language Models -- A Taxonomy for Retrieval Augmented Generation
• Title（参考訳）: 大規模言語モデルの限界を解き放つ -- 検索拡張世代のための分類学
• Authors: Mahei Manhai Li, Irina Nikishina, Özge Sevgili, Martin Semmann,
• Abstract要約: 本研究の目的は,レトリーバル・拡張世代(RAG)の応用の包括的概要を概念化する分類学を作ることである。 我々の知る限りでは、これまでのRAGアプリケーションは開発されていない。
• 参考スコア（独自算出の注目度）: 0.46498278084317696
• License:
• Abstract: Current research on RAGs is distributed across various disciplines, and since the technology is evolving very quickly, its unit of analysis is mostly on technological innovations, rather than applications in business contexts. Thus, in this research, we aim to create a taxonomy to conceptualize a comprehensive overview of the constituting characteristics that define RAG applications, facilitating the adoption of this technology in the IS community. To the best of our knowledge, no RAG application taxonomies have been developed so far. We describe our methodology for developing the taxonomy, which includes the criteria for selecting papers, an explanation of our rationale for employing a Large Language Model (LLM)-supported approach to extract and identify initial characteristics, and a concise overview of our systematic process for conceptualizing the taxonomy. Our systematic taxonomy development process includes four iterative phases designed to refine and enhance our understanding and presentation of RAG's core dimensions. We have developed a total of five meta-dimensions and sixteen dimensions to comprehensively capture the concept of Retrieval-Augmented Generation (RAG) applications. When discussing our findings, we also detail the specific research areas and pose key research questions to guide future information system researchers as they explore the emerging topics of RAG systems.
• Abstract（参考訳）: RAGに関する現在の研究は様々な分野に分散しており、その技術は非常に急速に進化しているため、分析の単位は主にビジネスの文脈におけるアプリケーションではなく技術革新に基づいている。 そこで本研究では,この技術をISコミュニティに導入する上で,RAGアプリケーションを定義する構成的特徴の包括的概要を概念化するための分類学を構築することを目的とする。 我々の知る限りでは、RAGの分類学は開発されていない。 本稿では,論文の選択基準,Large Language Model(LLM)を基盤とした初期特性の抽出と同定のためのアプローチの理論的根拠,分類を概念化するための体系的プロセスの簡潔な概要など,分類学開発のための方法論について述べる。 我々の系統分類学開発プロセスは、RAGの中核次元の理解と提示を洗練・強化するために設計された4つの反復段階を含む。 我々は,5つのメタ次元と16の次元を総合的に把握し,RAG(Retrieval-Augmented Generation)アプリケーションの概念を総合的に捉えた。 今後の情報システム研究者がRAGシステムの新たな話題を探求する上で,これらの研究領域を詳述するとともに,今後の情報システム研究者を導く上で重要な研究課題を提起する。

関連論文リスト

• CORAL: Benchmarking Multi-turn Conversational Retrieval-Augmentation Generation [68.81271028921647]
  我々は,現実的なマルチターン対話環境におけるRAGシステム評価のためのベンチマークであるCORALを紹介する。 コラルにはウィキペディアから自動的に派生した多様な情報検索会話が含まれている。 対話型RAGの3つの中核的なタスク、すなわち、通過検索、応答生成、および引用ラベリングをサポートする。
  論文  参考訳（メタデータ） (2024-10-30T15:06:32Z)
• A Comprehensive Survey of Retrieval-Augmented Generation (RAG): Evolution, Current Landscape and Future Directions [0.0]
  RAGは、検索機構と生成言語モデルを組み合わせることで、出力の精度を高める。 近年の研究では, 検索効率向上のための新しい手法が注目されている。 RAGモデルの堅牢性向上に焦点をあてた今後の研究方向性が提案されている。
  論文  参考訳（メタデータ） (2024-10-03T22:29:47Z)
• Trustworthiness in Retrieval-Augmented Generation Systems: A Survey [59.26328612791924]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の開発において、急速に重要なパラダイムへと成長してきた。 本稿では,RAGシステムの信頼性を,事実性,堅牢性,公正性,透明性,説明責任,プライバシの6つの面で評価する統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-16T09:06:44Z)
• On the Element-Wise Representation and Reasoning in Zero-Shot Image Recognition: A Systematic Survey [82.49623756124357]
  ゼロショット画像認識(ZSIR)は、目に見えない領域の認識と推論をモデルに与えることを目的としている。 本稿では,近年の素子ワイドZSIRの進歩について概説する。 まず、オブジェクト認識、合成認識、基礎モデルに基づくオープンワールド認識という3つの基本的なZSIRタスクを、統一された要素的視点に統合する。
  論文  参考訳（メタデータ） (2024-08-09T05:49:21Z)
• BioRAG: A RAG-LLM Framework for Biological Question Reasoning [14.05505988436551]
  本稿では,Large Language Models (LLMs) フレームワークを組み込んだ新規な検索拡張生成(RAG)であるBioRAGを紹介する。 このアプローチは、基本的な知識として2200万の科学論文を解析、索引付け、セグメント化することから始まり、続いて、このドメインに適した特別な埋め込みモデルをトレーニングします。 最新の情報を必要とするクエリに対して、BioRAGは質問を分解し、検索エンジンに組み込まれた反復的な検索プロセスを用いてステップバイステップの推論を行う。
  論文  参考訳（メタデータ） (2024-08-02T08:37:03Z)
• Retrieval Meets Reasoning: Even High-school Textbook Knowledge Benefits Multimodal Reasoning [49.3242278912771]
  RMR(Retrieval Meets Reasoning)と呼ばれる新しいマルチモーダルRAGフレームワークについて紹介する。 RMRフレームワークは、最も関連性の高い問合せ対を特定するために、バイモーダル検索モジュールを使用する。 これは、ベンチマークデータセットのスペクトルにわたって様々なビジョン言語モデルの性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-05-31T14:23:49Z)
• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• A Survey on Retrieval-Augmented Text Generation for Large Language Models [1.4579344926652844]
  Retrieval-Augmented Generation (RAG)は、検索手法とディープラーニングの進歩を融合する。 本稿では,RAGパラダイムを検索前,検索後,検索後,生成の4つのカテゴリに分類する。 RAGの進化を概説し、重要な研究の分析を通して分野の進歩について論じている。
  論文  参考訳（メタデータ） (2024-04-17T01:27:42Z)
• Retrieval-Augmented Generation for Large Language Models: A Survey [17.82361213043507]
  大きな言語モデル(LLM)には印象的な能力があるが、幻覚のような課題に直面している。 Retrieval-Augmented Generation (RAG) は,外部データベースからの知識を取り入れた,有望なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-12-18T07:47:33Z)
• A Unified Framework for Generative Data Augmentation: A Comprehensive Survey [0.0]
  GDA(Generative Data Augmentation)は、機械学習アプリケーションにおけるデータの不足を軽減するための有望なテクニックとして登場した。 この論文は、GDAランドスケープの総合的な調査と統合されたフレームワークを提示している。
  論文  参考訳（メタデータ） (2023-09-30T07:01:08Z)
• Large Language Models for Information Retrieval: A Survey [58.30439850203101]
  情報検索は、項ベースの手法から高度なニューラルモデルとの統合へと進化してきた。 近年の研究では、大規模言語モデル(LLM)を活用してIRシステムの改善が試みられている。 LLMとIRシステムの合流点を探索し、クエリリライト、リトリバー、リランカー、リーダーといった重要な側面を含む。
  論文  参考訳（メタデータ） (2023-08-14T12:47:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。