論文の概要: CFT-RAG: An Entity Tree Based Retrieval Augmented Generation Algorithm With Cuckoo Filter

• arxiv url: http://arxiv.org/abs/2501.15098v1
• Date: Sat, 25 Jan 2025 06:09:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:58:51.388376
• Title: CFT-RAG: An Entity Tree Based Retrieval Augmented Generation Algorithm With Cuckoo Filter
• Title（参考訳）: CFT-RAG:Cuckooフィルタを用いたエンティティツリーに基づく検索拡張生成アルゴリズム
• Authors: Zihang Li, Yangdong Ruan, Wenjun Liu, Zhengyang Wang, Tong Yang,
• Abstract要約: 本稿では,改良型Cuckooフィルタに基づくTree-RAG加速度法を提案する。 Tree-RAGは階層木構造を導入してエンティティを効果的に整理する。 本手法は, 高い生成品質を維持しながら, ナイーブツリーRAGよりもはるかに高速である。
• 参考スコア（独自算出の注目度）: 17.35450828013772
• License:
• Abstract: Although retrieval-augmented generation(RAG) significantly improves generation quality by retrieving external knowledge bases and integrating generated content, it faces computational efficiency bottlenecks, particularly in knowledge retrieval tasks involving hierarchical structures for Tree-RAG. This paper proposes a Tree-RAG acceleration method based on the improved Cuckoo Filter, which optimizes entity localization during the retrieval process to achieve significant performance improvements. Tree-RAG effectively organizes entities through the introduction of a hierarchical tree structure, while the Cuckoo Filter serves as an efficient data structure that supports rapid membership queries and dynamic updates. The experiment results demonstrate that our method is much faster than naive Tree-RAG while maintaining high levels of generative quality. When the number of trees is large, our method is hundreds of times faster than naive Tree-RAG. Our work is available at https://github.com/TUPYP7180/CFT-RAG-2025.
• Abstract（参考訳）: 検索強化生成(RAG)は,外部知識ベースを取得して生成コンテンツを統合することにより生成品質を著しく向上させるが,特に木-RAGの階層構造を含む知識検索タスクにおいて,計算効率のボトルネックに直面している。 本稿では,Cuckooフィルタの改良に基づくTree-RAG高速化手法を提案する。 Tree-RAGは階層的なツリー構造を導入してエンティティを効果的に整理する一方、Cuckoo Filterは高速なメンバシップクエリと動的更新をサポートする効率的なデータ構造として機能する。 以上の結果から,本手法は高い生成品質を維持しつつ,本手法よりもはるかに高速であることが示された。 木数が大きければ,本手法はナイーブツリーRAGの数百倍高速である。 私たちの作品はhttps://github.com/TUPYP7180/CFT-RAG-2025で公開されています。

関連論文リスト

• ReTreever: Tree-based Coarse-to-Fine Representations for Retrieval [64.44265315244579]
  そこで本研究では,様々なレベルで参照文書を整理し,表現するためのツリーベース手法を提案する。 我々の手法はReTreeverと呼ばれ、クエリと参照ドキュメントが同様のツリーブランチに割り当てられるように、バイナリツリーの内部ノード毎のルーティング関数を共同で学習する。 我々の評価では、ReTreeverは一般的に完全な表現精度を保っている。
  論文  参考訳（メタデータ） (2025-02-11T21:35:13Z)
• Autoregressive Generation of Static and Growing Trees [49.93294993975928]
  本稿では,ツリー生成のためのトランスフォーマーアーキテクチャとトレーニング戦略を提案する。 アーキテクチャはデータを複数の解像度で処理し、1時間ガラスの形状を持ち、中間層は外側層よりも少ないトークンを処理する。 我々は,この手法を拡張して,イメージ・ツー・ツリーとポイント・クラウド・ツー・ツリー条件生成を行い,木の成長過程をシミュレートし,4D木を生成する。
  論文  参考訳（メタデータ） (2025-02-07T08:51:14Z)
• LiteSearch: Efficacious Tree Search for LLM [70.29796112457662]
  本研究では,動的ノード選択とノードレベルの探索予算を備えた新しいガイド付き木探索アルゴリズムを提案する。 GSM8KおよびTabMWPデータセットを用いて行った実験により,本手法はベースライン法に比べて計算コストが大幅に低いことを示した。
  論文  参考訳（メタデータ） (2024-06-29T05:14:04Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• Constructing Tree-based Index for Efficient and Effective Dense Retrieval [26.706985694158384]
  JTRは、TReeベースのインデックスとクエリエンコーディングの合同最適化の略である。 我々は、木に基づくインデックスとクエリエンコーダをエンドツーエンドにトレーニングするために、新しい統合されたコントラスト学習損失を設計する。 実験結果から,JTRは高いシステム効率を維持しつつ,検索性能が向上することが示された。
  論文  参考訳（メタデータ） (2023-04-24T09:25:39Z)
• Hierarchical Shrinkage: improving the accuracy and interpretability of tree-based methods [10.289846887751079]
  木構造を改変しないポストホックアルゴリズムである階層収縮(Hierarchical Shrinkage, HS)を導入する。 HSは、他の正規化技術と併用しても、決定木の予測性能を大幅に向上させる。 すべてのコードとモデルはGithubにある本格的なパッケージでリリースされている。
  論文  参考訳（メタデータ） (2022-02-02T02:43:23Z)
• Structural Optimization Makes Graph Classification Simpler and Better [5.770986723520119]
  モデル学習プロセスを簡素化しつつ,グラフ分類性能の向上の可能性を検討する。 構造情報アセスメントの進歩に触発されて、グラフから木をコードするデータサンプルを最適化する。 本稿では,木カーネルと畳み込みネットワークにこのスキームを実装し,グラフ分類を行う。
  論文  参考訳（メタデータ） (2021-09-05T08:54:38Z)
• Slow-Growing Trees [0.0]
  ランダムフォレストの性能は、単一の低成長木(sgt)と一致させることができる。 SGTは、CARTは反復重み付き最小二乗手順の極端な場合である、という見解を利用する。 ブーストツリー(BT)とランダムフォレスト(RF)の統一ビューが紹介されている。
  論文  参考訳（メタデータ） (2021-03-02T18:37:13Z)
• Rethinking Learnable Tree Filter for Generic Feature Transform [71.77463476808585]
  Learnable Tree Filterはセマンティックセグメンテーションのためのモデル構造保存関係に対する顕著なアプローチを示す。 幾何学的制約を緩和するために,マルコフ確率場として再構成して解析を行い,学習可能な不定項を導入する。 セマンティックセグメンテーションでは、ベルとホイッスルなしでCityscapesベンチマークでトップパフォーマンス(82.1% mIoU)を達成しています。
  論文  参考訳（メタデータ） (2020-12-07T07:16:47Z)
• MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
  動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。 当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
  論文  参考訳（メタデータ） (2020-07-24T17:06:55Z)

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。