論文の概要: KiRAG: Knowledge-Driven Iterative Retriever for Enhancing Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2502.18397v1
• Date: Tue, 25 Feb 2025 17:47:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 18:40:48.253079
• Title: KiRAG: Knowledge-Driven Iterative Retriever for Enhancing Retrieval-Augmented Generation
• Title（参考訳）: KiRAG: 検索機能強化のための知識駆動型反復レトリバー
• Authors: Jinyuan Fang, Zaiqiao Meng, Craig Macdonald,
• Abstract要約: 知識駆動型反復検索モデルを用いてiRAGの検索プロセスを強化するKiRAGを提案する。 具体的には、KRAGは文書を知識トリプルに分解し、これらのトリプルで反復的な検索を行い、現実的に信頼できる検索プロセスを実現する。 KiRAGは既存のiRAGモデルを大きく上回り、R@3で9.40%、マルチホップQAでF1で5.14%改善している。
• 参考スコア（独自算出の注目度）: 30.485127201645437
• License:
• Abstract: Iterative retrieval-augmented generation (iRAG) models offer an effective approach for multi-hop question answering (QA). However, their retrieval process faces two key challenges: (1) it can be disrupted by irrelevant documents or factually inaccurate chain-of-thoughts; (2) their retrievers are not designed to dynamically adapt to the evolving information needs in multi-step reasoning, making it difficult to identify and retrieve the missing information required at each iterative step. Therefore, we propose KiRAG, which uses a knowledge-driven iterative retriever model to enhance the retrieval process of iRAG. Specifically, KiRAG decomposes documents into knowledge triples and performs iterative retrieval with these triples to enable a factually reliable retrieval process. Moreover, KiRAG integrates reasoning into the retrieval process to dynamically identify and retrieve knowledge that bridges information gaps, effectively adapting to the evolving information needs. Empirical results show that KiRAG significantly outperforms existing iRAG models, with an average improvement of 9.40% in R@3 and 5.14% in F1 on multi-hop QA.
• Abstract（参考訳）: 反復検索拡張生成(iRAG)モデルは、マルチホップ質問応答(QA)に有効なアプローチを提供する。 しかし,その検索プロセスは,(1)無関係な文書や事実的不正確な連鎖によって破壊されうること,(2)多段階推論における進化する情報要求に適応するように設計されていないこと,そして,各反復的ステップに必要な欠落情報を識別・検索することが困難であること,の2つの課題に直面している。 そこで本研究では,知識駆動型反復検索モデルを用いてiRAGの検索プロセスを強化するKiRAGを提案する。 具体的には、KRAGは文書を知識トリプルに分解し、これらのトリプルで反復的な検索を行い、現実的に信頼できる検索プロセスを実現する。 さらに、KiRAGは、情報ギャップを埋める知識を動的に識別し、検索するプロセスに推論を統合し、進化する情報ニーズに効果的に適応する。 実験の結果、KiRAGは既存のiRAGモデルよりも大幅に優れており、R@3では平均9.40%、マルチホップQAではF1では5.14%改善している。

関連論文リスト

• DeepRAG: Thinking to Retrieval Step by Step for Large Language Models [92.87532210660456]
  我々はマルコフ決定過程(MDP)として検索強化推論をモデル化するDeepRAGを提案する。 クエリを反復的に分解することで、DeepRAGは外部知識を取得するか、あるいは各ステップでパラメトリック推論に依存するかを動的に決定する。 実験の結果、DeepRAGは解答精度を21.99%向上させ、検索強化推論の最適化の有効性を示した。
  論文  参考訳（メタデータ） (2025-02-03T08:22:45Z)
• Chain-of-Retrieval Augmented Generation [72.06205327186069]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• GeAR: Graph-enhanced Agent for Retrieval-augmented Generation [12.805134136960998]
  設計上、従来のスパース・リトリーバーや高密度リトリーバーはマルチホップ検索のシナリオにおいて課題に直面している。 本稿では, (i) グラフ拡張によりRAG性能を向上するGeARと, (ii) グラフ拡張を組み込んだエージェントフレームワークについて述べる。 本評価は,3つのマルチホップ質問応答データセットにおいて,GeARの優れた検索性能を示す。
  論文  参考訳（メタデータ） (2024-12-24T13:45:22Z)
• Benchmarking Multimodal Retrieval Augmented Generation with Dynamic VQA Dataset and Self-adaptive Planning Agent [102.31558123570437]
  マルチモーダル大規模言語モデル(MLLM)に固有の「ハロシン化」問題を緩和する上で,mRAG(Multimodal Retrieval Augmented Generation)が重要な役割を果たしている。 マルチモーダル検索のための自己適応型計画エージェントOmniSearchを提案する。
  論文  参考訳（メタデータ） (2024-11-05T09:27:21Z)
• Retriever-and-Memory: Towards Adaptive Note-Enhanced Retrieval-Augmented Generation [72.70046559930555]
  本稿では,複雑なQAタスクに対する適応ノート拡張RAG(Adaptive Note-Enhanced RAG)と呼ばれる汎用RAGアプローチを提案する。 具体的には、Adaptive-Noteは、知識の成長に関する包括的な視点を導入し、ノート形式で新しい情報を反復的に収集する。 さらに,適切な知識探索を促進するために,適応的な音符ベースの停止探索戦略を用いて,「何を検索し,いつ停止するか」を判断する。
  論文  参考訳（メタデータ） (2024-10-11T14:03:29Z)
• EfficientRAG: Efficient Retriever for Multi-Hop Question Answering [52.64500643247252]
  マルチホップ質問応答のための効率的な検索器であるEfficientRAGを紹介する。 実験の結果、EfficientRAGは3つのオープンドメインのマルチホップ質問応答データセット上で既存のRAG手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2024-08-08T06:57:49Z)
• TRACE the Evidence: Constructing Knowledge-Grounded Reasoning Chains for Retrieval-Augmented Generation [30.485127201645437]
  本稿では,RAGモデルのマルチホップ推論能力を高めるためにTRACEを提案する。 TRACEは、論理的に連結された一連の知識三重項である知識基底推論連鎖を構成する。 TRACEは、取得したすべてのドキュメントと比較して、平均14.03%の性能向上を実現している。
  論文  参考訳（メタデータ） (2024-06-17T12:23:32Z)
• A Multi-Source Retrieval Question Answering Framework Based on RAG [3.731892340350648]
  本研究では,従来のレトリバーをGPT-3.5に置き換える手法を提案する。 また,詳細な知識検索を実現するためのWeb検索手法を提案する。 Web検索におけるGPT検索の錯覚を緩和し,ノイズを低減するため,MSRAGというマルチソース検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-29T15:47:57Z)
• Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection [74.51523859064802]
  我々は、自己回帰検索拡張生成(Self-RAG)と呼ばれる新しいフレームワークを導入する。 自己RAGは、検索と自己回帰によってLMの品質と事実性を高める。 様々なタスクセットにおいて、最先端のLCMや検索強化モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-17T18:18:32Z)

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。