Fugu-MT 論文翻訳(概要): AccurateRAG: A Framework for Building Accurate Retrieval-Augmented Question-Answering Applications

論文の概要: AccurateRAG: A Framework for Building Accurate Retrieval-Augmented Question-Answering Applications

arxiv url: http://arxiv.org/abs/2510.02243v1
Date: Thu, 02 Oct 2025 17:30:08 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-03 16:59:21.253218
Title: AccurateRAG: A Framework for Building Accurate Retrieval-Augmented Question-Answering Applications
Title（参考訳）: AccurateRAG: 正確な検索機能強化された質問応答アプリケーションを構築するためのフレームワーク
Authors: Linh The Nguyen, Chi Tran, Dung Ngoc Nguyen, Van-Cuong Pham, Hoang Ngo, Dat Quoc Nguyen,
Abstract要約: 我々は、検索拡張生成(RAG)に基づく高性能質問応答アプリケーションを構築するための新しいフレームワークであるAccurateRAGを紹介する。我々のフレームワークは、生のデータセット処理、微調整データ生成、テキスト埋め込みおよびLCM微調整、出力評価、RAGシステム構築のためのツールを備えた開発効率のためのパイプラインを提供する。
参考スコア（独自算出の注目度）: 14.979886171898178
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce AccurateRAG -- a novel framework for constructing high-performance question-answering applications based on retrieval-augmented generation (RAG). Our framework offers a pipeline for development efficiency with tools for raw dataset processing, fine-tuning data generation, text embedding & LLM fine-tuning, output evaluation, and building RAG systems locally. Experimental results show that our framework outperforms previous strong baselines and obtains new state-of-the-art question-answering performance on benchmark datasets.
Abstract（参考訳）: 本稿では、検索拡張生成(RAG)に基づく高性能な質問応答アプリケーションを構築するための新しいフレームワークであるAccurateRAGを紹介する。我々のフレームワークは、生のデータセット処理、微調整データ生成、テキスト埋め込みおよびLCM微調整、出力評価、RAGシステム構築のためのツールを備えた開発効率のためのパイプラインを提供する。実験結果から,我々のフレームワークは従来の強靭なベースラインよりも優れており,ベンチマークデータセット上での最新の質問応答性能が得られた。

関連論文リスト

IRB: Automated Generation of Robust Factuality Benchmarks [21.23127687776739]
IRBは、RAGシステムの事実を評価するためのベンチマークを自動的に生成するフレームワークである。我々はIRBを用いて、ベンチマークを構築し、フロンティアLSMとレトリバーを評価する。
論文参考訳（メタデータ） (2026-02-08T18:01:43Z)
Metadata-Driven Retrieval-Augmented Generation for Financial Question Answering [0.0]
文脈的にリッチなドキュメントチャンクを作成するための高度なインデックスパイプラインを導入します。我々は、検索前フィルタリング、検索後再ランク付け、エンリッチな埋め込みなど、さまざまな拡張のスペクトルをベンチマークする。提案する最適アーキテクチャは、LLM駆動の事前検索最適化とコンテキスト埋め込みを組み合わせることで、優れた性能を実現する。
論文参考訳（メタデータ） (2025-10-28T13:16:36Z)
RAG-IGBench: Innovative Evaluation for RAG-based Interleaved Generation in Open-domain Question Answering [50.42577862494645]
本稿では,RAG-IG(Retrieval-Augmented Generation)に基づくインターリーブドジェネレーション(Interleaved Generation)の課題を評価するためのベンチマークであるRAG-IGBenchを提案する。 RAG-IGは、MLLM(Multimodal large language model)と検索機構を統合し、モデルがコヒーレントなマルチモーダルコンテンツを生成するための外部画像テキスト情報にアクセスできるようにする。
論文参考訳（メタデータ） (2025-10-11T03:06:39Z)
mmRAG: A Modular Benchmark for Retrieval-Augmented Generation over Text, Tables, and Knowledge Graphs [11.861763118322136]
マルチモーダルRAGシステムを評価するためのモジュール型ベンチマークであるmmRAGを紹介する。我々のベンチマークでは、テキスト、テーブル、知識グラフにまたがる6つの多様な問合せデータセットからのクエリを統合する。文書関連性を注釈化し、データセット関連性を導出するための標準情報検索手順に従う。
論文参考訳（メタデータ） (2025-05-16T12:31:29Z)
RAG vs. GraphRAG: A Systematic Evaluation and Key Insights [53.83444096699458]
我々は,テキストベースベンチマークを用いて,検索型拡張生成(RAG)とグラフRAGを体系的に評価する。本結果は,RAGとGraphRAGの異なる課題と評価の観点から,それぞれ異なる強みを浮き彫りにしている。
論文参考訳（メタデータ） (2025-02-17T02:36:30Z)
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)
SFR-RAG: Towards Contextually Faithful LLMs [57.666165819196486]
Retrieval Augmented Generation (RAG) は、外部コンテキスト情報を大言語モデル(LLM)と統合し、事実の精度と妥当性を高めるパラダイムである。 SFR-RAG(SFR-RAG)について述べる。また、複数の人気かつ多様なRAGベンチマークをコンパイルする新しい評価フレームワークであるConBenchについても紹介する。
論文参考訳（メタデータ） (2024-09-16T01:08:18Z)
WeQA: A Benchmark for Retrieval Augmented Generation in Wind Energy Domain [2.8514947506989707]
Large Language Models (LLM) と Retrieval Augmented Generation (RAG) アプローチは、トランスフォーメーションソリューションを提供する。本稿では,ドメイン関連RAGベンチマークを生成するための包括的なフレームワークを提案する。風力エネルギー領域の第一級ベンチマークであるWeQAを導入することで、この枠組みを実証する。
論文参考訳（メタデータ） (2024-08-21T17:43:11Z)
RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [66.93260816493553]
本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。事実の正確性に焦点をあてて,完全性,幻覚,不適切性の3つの新しい指標を提案する。実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
論文参考訳（メタデータ） (2024-08-02T13:35:11Z)
Blended RAG: Improving RAG (Retriever-Augmented Generation) Accuracy with Semantic Search and Hybrid Query-Based Retrievers [0.0]
Retrieval-Augmented Generation (RAG) は、大規模言語モデル (LLM) で文書のプライベートな知識基盤を注入し、生成的Q&A (Question-Answering) システムを構築するための一般的なアプローチである。本稿では,Vector インデックスや Sparse インデックスなどのセマンティック検索手法をハイブリッドクエリ手法と組み合わせた 'Blended RAG' 手法を提案する。本研究は,NQ や TREC-COVID などの IR (Information Retrieval) データセットの検索結果の改善と,新たなベンチマーク設定を行う。
論文参考訳（メタデータ） (2024-03-22T17:13:46Z)
CRUD-RAG: A Comprehensive Chinese Benchmark for Retrieval-Augmented Generation of Large Language Models [49.16989035566899]
Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の能力を高める技術である。本稿では,大規模かつ包括的なベンチマークを構築し,様々なRAGアプリケーションシナリオにおけるRAGシステムのすべてのコンポーネントを評価する。
論文参考訳（メタデータ） (2024-01-30T14:25:32Z)

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。