論文の概要: Agentic Information Retrieval

• arxiv url: http://arxiv.org/abs/2410.09713v3
• Date: Wed, 19 Feb 2025 16:24:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-20 13:56:46.617035
• Title: Agentic Information Retrieval
• Title（参考訳）: エージェント情報検索
• Authors: Weinan Zhang, Junwei Liao, Ning Li, Kounianhua Du, Jianghao Lin,
• Abstract要約: 本稿では,大規模言語モデル(LLM)とAIエージェントによって駆動されるIRの変換的次世代パラダイムであるエージェント情報検索(Agentic IR)を紹介する。 エージェントIRにおける中心的なシフトは、静的で事前定義された情報項目から動的で文脈に依存した情報状態への「情報の定義」の進化である。
• 参考スコア（独自算出の注目度）: 21.731477708105515
• License:
• Abstract: Since the 1970s, information retrieval (IR) has long been defined as the process of acquiring relevant information items from a pre-defined corpus to satisfy user information needs. Traditional IR systems, while effective in domains like web search, are constrained by their reliance on static, pre-defined information items. To this end, this paper introduces agentic information retrieval (Agentic IR), a transformative next-generation paradigm for IR driven by large language models (LLMs) and AI agents. The central shift in agentic IR is the evolving definition of ``information'' from static, pre-defined information items to dynamic, context-dependent information states. Information state refers to a particular information context that the user is right in within a dynamic environment, encompassing not only the acquired information items but also real-time user preferences, contextual factors, and decision-making processes. In such a way, traditional information retrieval, focused on acquiring relevant information items based on user queries, can be naturally extended to achieving the target information state given the user instruction, which thereby defines the agentic information retrieval. We systematically discuss agentic IR from various aspects, i.e., task formulation, architecture, evaluation, case studies, as well as challenges and future prospects. We believe that the concept of agentic IR introduced in this paper not only broadens the scope of information retrieval research but also lays the foundation for a more adaptive, interactive, and intelligent next-generation IR paradigm.
• Abstract（参考訳）: 1970年代以降、情報検索(IR)は、ユーザ情報のニーズを満たすために、予め定義されたコーパスから関連する情報項目を取得するプロセスとして、長い間定義されてきた。 従来のIRシステムは、Web検索のようなドメインでは有効であるが、静的で事前定義された情報アイテムに依存しているため制約を受ける。 本稿では,大規模言語モデル(LLM)とAIエージェントによって駆動されるIRの次世代パラダイムであるエージェント情報検索(Agentic IR)を紹介する。 エージェントIRにおける中心的なシフトは、静的で事前定義された情報項目から動的で文脈に依存した情報状態への 'information'' の定義の進化である。 情報状態とは、取得した情報項目だけでなく、リアルタイムのユーザ嗜好、コンテキスト要因、意思決定プロセスを含む、ユーザが動的環境内にある特定の情報コンテキストを指す。 このようにして、ユーザクエリに基づく関連情報項目の取得に焦点を当てた従来の情報検索を自然に拡張して、ユーザ命令が与えられた対象情報状態を達成することにより、エージェント情報検索を定義することができる。 我々は,課題や今後の展望だけでなく,タスクの定式化,アーキテクチャ,評価,ケーススタディといったさまざまな側面からエージェントIRを体系的に論じる。 本稿では,エージェントIRの概念が情報検索研究の範囲を広げるだけでなく,より適応的でインタラクティブでインテリジェントな次世代IRパラダイムの基礎を築いていると考えている。

関連論文リスト

• Robust Neural Information Retrieval: An Adversarial and Out-of-distribution Perspective [111.58315434849047]
  ニューラルネットワーク検索モデル(IR)モデルの堅牢性は、大きな注目を集めている。 我々は、IRの堅牢性を多面的概念とみなし、敵攻撃、アウト・オブ・ディストリビューション(OOD)シナリオ、パフォーマンスのばらつきに対してその必要性を強調している。 我々は,既存の手法,データセット,評価指標について詳細な議論を行い,大規模言語モデルの時代における課題や今後の方向性に光を当てる。
  論文  参考訳（メタデータ） (2024-07-09T16:07:01Z)
• From Matching to Generation: A Survey on Generative Information Retrieval [21.56093567336119]
  生成情報検索(GenIR)は新たなパラダイムとして登場し,近年注目を集めている。 本稿では,GenIRの最新研究動向を体系的にレビューすることを目的とする。
  論文  参考訳（メタデータ） (2024-04-23T09:05:37Z)
• Search Still Matters: Information Retrieval in the Era of Generative AI [1.68609633200389]
  この視点は、IRプロセスのモチベーション、考慮、結果の文脈における生成的AIの使用を探求する。 このようなシステムのユーザ、特に学者は、信頼性、タイムライン、検索の文脈化に関する懸念を持っている。
  論文  参考訳（メタデータ） (2023-11-30T13:36:21Z)
• 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)
• Building Interpretable and Reliable Open Information Retriever for New Domains Overnight [67.03842581848299]
  情報検索は、オープンドメイン質問応答(QA)など、多くのダウンストリームタスクにとって重要な要素である。 本稿では、エンティティ/イベントリンクモデルとクエリ分解モデルを用いて、クエリの異なる情報単位により正確にフォーカスする情報検索パイプラインを提案する。 より解釈可能で信頼性が高いが,提案したパイプラインは,5つのIRおよびQAベンチマークにおける通過カバレッジと記述精度を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-08-09T07:47:17Z)
• Information Retrieval Meets Large Language Models: A Strategic Report from Chinese IR Community [180.28262433004113]
  大規模言語モデル(LLM)は、テキスト理解、生成、知識推論において例外的な能力を示した。 LLMと人間は、情報検索のためにより強力な新しい技術パラダイムを形成します。 LLMがIR研究に与える影響を徹底的に議論するため、中国のIRコミュニティは2023年4月に戦略的ワークショップを開催した。
  論文  参考訳（メタデータ） (2023-07-19T05:23:43Z)
• Gen-IR @ SIGIR 2023: The First Workshop on Generative Information Retrieval [32.45182506899627]
  このワークショップの目的は、文書検索やグラウンドド・アンサー・ジェネレーションのような生成IR技術に焦点を当てることである。 ワークショップの形式は、ラウンドテーブルや基調講演など、インタラクティブで、ミニ会議の一方的な対話を避ける傾向があります。
  論文  参考訳（メタデータ） (2023-06-05T13:56:36Z)
• Synergistic Interplay between Search and Large Language Models for Information Retrieval [141.18083677333848]
  InteRにより、RMはLLM生成した知識コレクションを使用してクエリの知識を拡張することができる。 InteRは、最先端手法と比較して総合的に優れたゼロショット検索性能を実現する。
  論文  参考訳（メタデータ） (2023-05-12T11:58:15Z)
• Retrieval-Enhanced Machine Learning [110.5237983180089]
  本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。 REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。 REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
  論文  参考訳（メタデータ） (2022-05-02T21:42:45Z)

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。