論文の概要: Upcycling Candidate Tokens of Large Language Models for Query Expansion

• arxiv url: http://arxiv.org/abs/2509.02377v1
• Date: Tue, 02 Sep 2025 14:43:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:04.068097
• Title: Upcycling Candidate Tokens of Large Language Models for Query Expansion
• Title（参考訳）: クエリ拡張のための大規模言語モデルの更新候補トークン
• Authors: Jinseok Kim, Sukmin Cho, Soyeong Jeong, Sangyeop Kim, Sungzoon Cho,
• Abstract要約: 本稿では,1つの復号パスから多様かつ関連する用語を抽出するCTQE(Candidate Token Query Expansion)を提案する。 CTQEは、追加の推論なしに、関連性と多様性の両方を実現し、オーバーヘッドとレイテンシを低減します。 実験の結果,CTQEは高い検索性能を示し,コストが大幅に低減され,性能が向上し,高価な手法に匹敵する結果が得られた。
• 参考スコア（独自算出の注目度）: 22.952581844957653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Query Expansion (QE) improves retrieval performance by enriching queries with related terms. Recently, Large Language Models (LLMs) have been used for QE, but existing methods face a trade-off: generating diverse terms boosts performance but increases computational cost. To address this challenge, we propose Candidate Token Query Expansion (CTQE), which extracts diverse and relevant terms from a single LLM decoding pass by leveraging unselected candidate tokens. These tokens, though not part of the final output, are conditioned on the full query and capture useful information. By aggregating them, CTQE achieves both relevance and diversity without extra inference, reducing overhead and latency. Experiments show that CTQE delivers strong retrieval performance with significantly lower cost, outperforming or comparable to more expensive methods. Code is available at: https://github.com/bluejeans8/CTQE
• Abstract（参考訳）: クエリ拡張(QE)は、クエリを関連用語で強化することで、検索性能を向上させる。 近年、Large Language Models (LLM) がQEに使われているが、既存の手法ではトレードオフに直面している。 この課題に対処するために、選択されていない候補トークンを利用して、単一のLLMデコードパスから多様で関連する用語を抽出するCTQE(Candidate Token Query Expansion)を提案する。 これらのトークンは最終的な出力の一部ではないが、完全なクエリで条件付けされ、有用な情報をキャプチャする。 それらを集約することで、CTQEは追加の推論なしで妥当性と多様性を達成し、オーバーヘッドとレイテンシを低減します。 実験の結果,CTQEは高い検索性能を示し,コストが大幅に低減され,性能が向上し,高価な手法に匹敵する結果が得られた。 コードは、https://github.com/bluejeans8/CTQEで入手できる。

関連論文リスト

• The benefits of query-based KGQA systems for complex and temporal questions in LLM era [55.20230501807337]
  大規模言語モデルは質問回答(QA)に優れていますが、マルチホップ推論や時間的質問には苦戦しています。 クエリベースの知識グラフ QA (KGQA) は、直接回答の代わりに実行可能なクエリを生成するモジュール形式の代替手段を提供する。 WikiData QAのためのマルチステージクエリベースのフレームワークについて検討し、課題のあるマルチホップと時間ベンチマークのパフォーマンスを向上させるマルチステージアプローチを提案する。
  論文  参考訳（メタデータ） (2025-07-16T06:41:03Z)
• Aligned Query Expansion: Efficient Query Expansion for Information Retrieval through LLM Alignment [4.21943400140261]
  Aligned Query Expansion (AQE) は、オープンドメイン質問応答における経路探索のためのクエリ拡張を強化する新しいアプローチである。 AQEはドメイン内およびドメイン外の両方でクエリ拡張のためのベースラインモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-15T07:11:29Z)
• Resource-Friendly Dynamic Enhancement Chain for Multi-Hop Question Answering [21.077964610022313]
  この研究はDEC(Dynamic Enhancement Chain)と呼ばれる新しいフレームワークを提案する。 DECはまず複雑な質問を論理的に一貫性のあるサブクエストに分解し、幻覚のない推論連鎖を形成する。 その後、コンテキスト対応の書き換えによってこれらのサブクエストを反復的に洗練し、効率的なクエリの定式化を生成する。
  論文  参考訳（メタデータ） (2025-06-21T11:55:27Z)
• Effective Instruction Parsing Plugin for Complex Logical Query Answering on Knowledge Graphs [51.33342412699939]
  知識グラフクエリ埋め込み(KGQE)は、不完全なKGに対する複雑な推論のために、低次元KG空間に一階論理(FOL)クエリを埋め込むことを目的としている。 近年の研究では、FOLクエリの論理的セマンティクスをよりよく捉えるために、さまざまな外部情報(エンティティタイプや関係コンテキストなど)を統合している。 コードのようなクエリ命令から遅延クエリパターンをキャプチャする効果的なクエリ命令解析(QIPP)を提案する。
  論文  参考訳（メタデータ） (2024-10-27T03:18:52Z)
• IDEAL: Leveraging Infinite and Dynamic Characterizations of Large Language Models for Query-focused Summarization [59.06663981902496]
  クエリ中心の要約(QFS)は、特定の関心事に答え、より優れたユーザ制御とパーソナライゼーションを可能にする要約を作成することを目的としている。 本稿では,LLMを用いたQFSモデル,Longthy Document Summarization,およびクエリ-LLMアライメントの2つの重要な特徴について検討する。 これらのイノベーションは、QFS技術分野における幅広い応用とアクセシビリティの道を開いた。
  論文  参考訳（メタデータ） (2024-07-15T07:14:56Z)
• Progressive Query Expansion for Retrieval Over Cost-constrained Data Sources [6.109188517569139]
  ProQEはプログレッシブなクエリ拡張アルゴリズムで、より多くのドキュメントを取得すると、クエリを反復的に拡張する。 その結果, ProQEは最先端のベースラインを37%上回り, 費用対効果が最も高いことがわかった。
  論文  参考訳（メタデータ） (2024-06-11T10:30:19Z)
• Allies: Prompting Large Language Model with Beam Search [107.38790111856761]
  本研究では,ALIESと呼ばれる新しい手法を提案する。 入力クエリが与えられた場合、ALLIESはLLMを活用して、元のクエリに関連する新しいクエリを反復的に生成する。 元のクエリのスコープを反復的に精錬して拡張することにより、ALLIESは直接検索できない隠れた知識をキャプチャし、利用する。
  論文  参考訳（メタデータ） (2023-05-24T06:16:44Z)
• Effective and Efficient Query-aware Snippet Extraction for Web Search [61.60405035952961]
  本稿では,DeepQSE という名前の効率的なクエリ対応 Web ページスニペット抽出手法を提案する。 DeepQSEはまず各文に対するクエリ対応の文表現を学習し、クエリと文間の微妙な関連性をキャプチャする。 本稿では,DeepQSEの効率的なバージョンであるEfficient-DeepQSEを提案する。
  論文  参考訳（メタデータ） (2022-10-17T07:46:17Z)

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。