論文の概要: Federated Retrieval-Augmented Generation: A Systematic Mapping Study

• arxiv url: http://arxiv.org/abs/2505.18906v1
• Date: Sat, 24 May 2025 23:45:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.741815
• Title: Federated Retrieval-Augmented Generation: A Systematic Mapping Study
• Title（参考訳）: Federated Retrieval-Augmented Generation: Systematic Mapping Study
• Authors: Abhijit Chakraborty, Chahana Dahal, Vivek Gupta,
• Abstract要約: Federated Retrieval-Augmented Generation (Federated RAG)は、Federated Learning (FL)とRetrieval-Augmented Generation (RAG)を組み合わせる。 RAGは、外部知識のアウトプットを基礎にして、言語モデルの事実精度を向上させる。 本稿では,2020年から2025年の間に出版された文献を対象とした,フェデレートRAGの体系的マッピング研究について紹介する。
• 参考スコア（独自算出の注目度）: 6.108593045873404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Retrieval-Augmented Generation (Federated RAG) combines Federated Learning (FL), which enables distributed model training without exposing raw data, with Retrieval-Augmented Generation (RAG), which improves the factual accuracy of language models by grounding outputs in external knowledge. As large language models are increasingly deployed in privacy-sensitive domains such as healthcare, finance, and personalized assistance, Federated RAG offers a promising framework for secure, knowledge-intensive natural language processing (NLP). To the best of our knowledge, this paper presents the first systematic mapping study of Federated RAG, covering literature published between 2020 and 2025. Following Kitchenham's guidelines for evidence-based software engineering, we develop a structured classification of research focuses, contribution types, and application domains. We analyze architectural patterns, temporal trends, and key challenges, including privacy-preserving retrieval, cross-client heterogeneity, and evaluation limitations. Our findings synthesize a rapidly evolving body of research, identify recurring design patterns, and surface open questions, providing a foundation for future work at the intersection of RAG and federated systems.
• Abstract（参考訳）: Federated Retrieval-Augmented Generation (Federated RAG)は、生データを公開せずに分散モデルトレーニングを可能にするFederated Learning (FL)と、外部知識のアウトプットを基礎として言語モデルの事実精度を向上させるRetrieval-Augmented Generation (RAG)を組み合わせる。 大きな言語モデルは、医療、金融、パーソナライズされた支援といったプライバシーに敏感なドメインにますますデプロイされているため、Federated RAGは、安全で知識集約的な自然言語処理(NLP)のための有望なフレームワークを提供する。 本稿では,2020年から2025年の間に出版された文献を網羅した,フェデレートRAGの体系的地図化研究について紹介する。 Kitchenham氏のエビデンスベースのソフトウェアエンジニアリングに関するガイドラインに従い、研究焦点、コントリビューションタイプ、アプリケーションドメインの構造化された分類を開発する。 アーキテクチャパターン,時間的傾向,プライバシ保護検索,クロスクライアント不均一性,評価制限など,重要な課題を分析した。 我々の研究は、急速に発展している研究の体系を合成し、繰り返し発生するデザインパターンを特定し、そして、開放的な疑問を表面化し、RAGとフェデレートされたシステムの交差点における将来の研究の基盤となる。

関連論文リスト

• Retrieval Augmented Generation and Understanding in Vision: A Survey and New Outlook [85.43403500874889]
  Retrieval-augmented Generation (RAG) は人工知能(AI)において重要な技術である。 具体化されたAIのためのRAGの最近の進歩は、特に計画、タスク実行、マルチモーダル知覚、インタラクション、特殊ドメインの応用に焦点を当てている。
  論文  参考訳（メタデータ） (2025-03-23T10:33:28Z)
• A Survey on Knowledge-Oriented Retrieval-Augmented Generation [45.65542434522205]
  近年,RAG (Retrieval-Augmented Generation) が注目されている。 RAGは大規模検索システムと生成モデルを組み合わせる。 動的外部知識を用いた生成モデルの強化など,RAGの重要な特徴について論じる。
  論文  参考訳（メタデータ） (2025-03-11T01:59:35Z)
• A Survey of Model Architectures in Information Retrieval [64.75808744228067]
  機能抽出のためのバックボーンモデルと、関連性推定のためのエンドツーエンドシステムアーキテクチャの2つの重要な側面に焦点を当てる。 従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。 我々は、パフォーマンスとスケーラビリティのアーキテクチャ最適化、マルチモーダル、マルチランガルデータの処理、従来の検索パラダイムを超えた新しいアプリケーションドメインへの適応など、新たな課題と今後の方向性について議論することで結論付けた。
  論文  参考訳（メタデータ） (2025-02-20T18:42:58Z)
• Graph Foundation Models for Recommendation: A Comprehensive Survey [55.70529188101446]
  大規模言語モデル(LLM)は自然言語を処理し、理解するために設計されており、どちらも非常に効果的で広く採用されている。 最近の研究はグラフ基礎モデル(GFM)に焦点を当てている。 GFM は GNN と LLM の強みを統合し,複雑な RS 問題をより効率的にモデル化する。
  論文  参考訳（メタデータ） (2025-02-12T12:13:51Z)
• 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)
• 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)

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。