論文の概要: From Ranking to Selection: A Simple but Efficient Dynamic Passage Selector for Retrieval Augmented Generation

• arxiv url: http://arxiv.org/abs/2508.09497v1
• Date: Wed, 13 Aug 2025 05:05:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.764467
• Title: From Ranking to Selection: A Simple but Efficient Dynamic Passage Selector for Retrieval Augmented Generation
• Title（参考訳）: ランク付けから選択へ:検索向上のためのシンプルだが効率的な動的パッセージセレクタ
• Authors: Siyuan Meng, Junming Liu, Yirong Chen, Song Mao, Pinlong Cai, Guohang Yan, Botian Shi, Ding Wang,
• Abstract要約: 本稿では,経路選択を教師付き学習問題として扱う新しいフレームワークであるDynamic Passage Selector (DPS)を紹介する。 シームレスなプラグイン・アンド・プレイモジュールとして、DPSは標準的なRAGパイプラインを変更する必要はない。 DPSは適応的エビデンス選択を可能にすることにより,複雑なRAGシナリオにおける推論能力を大幅に向上することを示した。
• 参考スコア（独自算出の注目度）: 10.904177110367122
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-augmented generation (RAG) systems are often bottlenecked by their reranking modules, which typically score passages independently and select a fixed Top-K size. This approach struggles with complex multi-hop queries that require synthesizing evidence across multiple documents, creating a trade-off where small K values omit crucial information and large K values introduce noise. To address this, we introduce the Dynamic Passage Selector (DPS), a novel reranking framework that treats passage selection as a supervised learning problem. Unlike traditional point-wise or list-wise methods, DPS is fine-tuned to capture inter-passage dependencies and dynamically select the most relevant set of passages for generation. As a seamless plug-and-play module, DPS requires no modifications to the standard RAG pipeline. Comprehensive evaluations on five benchmarks show that DPS consistently outperforms state-of-the-art rerankers and fine-tuning methods. Notably, on the challenging MuSiQue dataset, DPS improves the F1-score by 30.06% and 15.4% over strong baselines like Qwen3-reranker and RankingGPT, respectively. Our results demonstrate that by enabling adaptive evidence selection, DPS substantially enhances reasoning capabilities in complex RAG scenarios.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG) システムは、しばしばリグレードモジュールによってボトルネックになり、通常は独立したパスをスコアし、固定されたTop-Kサイズを選択する。 このアプローチは、複数のドキュメントにまたがってエビデンスを合成する必要がある複雑なマルチホップクエリと競合し、小さなK値が重要な情報を省略し、大きなK値がノイズをもたらすトレードオフを生み出す。 そこで本稿では,経路選択を教師付き学習問題として扱う新しいフレームワークであるDynamic Passage Selector (DPS)を紹介する。 従来のポイントワイドメソッドやリストワイドメソッドとは異なり、DPSはパス間の依存関係をキャプチャし、生成のための最も関連するパスセットを動的に選択するように微調整される。 シームレスなプラグイン・アンド・プレイモジュールとして、DPSは標準的なRAGパイプラインを変更する必要はない。 5つのベンチマークの総合的な評価は、DPSが最先端のリランカーや微調整方法よりも一貫して優れていることを示している。 特に、挑戦的なMuSiQueデータセットでは、Qwen3-rerankerや RankingGPTといった強力なベースラインに対して、DPSはF1スコアを30.06%改善し、15.4%向上している。 DPSは適応的エビデンス選択を可能にすることにより,複雑なRAGシナリオにおける推論能力を大幅に向上することを示した。

関連論文リスト

• Distilling a Small Utility-Based Passage Selector to Enhance Retrieval-Augmented Generation [77.07879255360342]
  Retrieval-augmented Generation (RAG)は、取得した情報を組み込むことで、大規模言語モデル(LLM)を強化する。 RAGでは、重要度は実用性に移行し、正確な回答を生成するためのパスの有用性を考慮している。 提案手法は、ランク付けよりもユーティリティベースの選択に重点を置いており、固定しきい値を必要とせずに、特定のクエリに合わせた動的通過選択を可能にする。 本実験は, 実用性に基づく選択により, RAGの柔軟性とコスト効率が向上し, 計算コストが大幅に低減され, 応答品質が向上することを示した。
  論文  参考訳（メタデータ） (2025-07-25T09:32:29Z)
• Shifting from Ranking to Set Selection for Retrieval Augmented Generation [16.374737228461125]
  Retrieval-Augmented Generationの検索は、検索されたパスが個々の関連性だけでなく、集合的に包括的な集合を形成することを保証する必要がある。 提案手法はSETRを導入し,Chain-of-Thought推論によるクエリの情報要求を明確に識別する。 マルチホップRAGベンチマークの実験では、SETRはLLMベースのリランカーとオープンソースのベースラインの両方を、回答の正しさと検索品質で上回っている。
  論文  参考訳（メタデータ） (2025-07-09T13:35:36Z)
• Ranking Free RAG: Replacing Re-ranking with Selection in RAG for Sensitive Domains [13.58151841630302]
  本稿では,RAGにおける再ランク付けを合理的な選択手法で置き換える新しい方法であるMETEORAを提案する。 METEORAは、最先端の再評価手法よりも約50%少ないチャンクを使用しながら、生成精度を33.34%向上させる。 敵対的な設定では、METEORAはF1スコアを0.10から0.44に大幅に改善する。
  論文  参考訳（メタデータ） (2025-05-21T20:57:16Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• 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)
• Towards Generalizable Trajectory Prediction Using Dual-Level Representation Learning And Adaptive Prompting [107.4034346788744]
  既存の車両軌道予測モデルは、一般化可能性、予測の不確実性、複雑な相互作用を扱う。 本研究では,(1)自己拡張(SD)とマスドレコンストラクション(MR)による二重レベル表現学習,グローバルコンテキストと細部の詳細の収集,(2)レジスタベースのクエリと事前学習の強化,クラスタリングと抑圧の必要性の排除,(3)微調整中の適応型プロンプトチューニング,メインアーキテクチャの凍結,および少数のプロンプトの最適化といった,新たなトラジェクタ予測フレームワークであるPerceiverを提案する。
  論文  参考訳（メタデータ） (2025-01-08T20:11:09Z)

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。