Fugu-MT 論文翻訳(概要): Bridging Language Gaps with Adaptive RAG: Improving Indonesian Language Question Answering

論文の概要: Bridging Language Gaps with Adaptive RAG: Improving Indonesian Language Question Answering

arxiv url: http://arxiv.org/abs/2510.21068v1
Date: Fri, 24 Oct 2025 00:50:20 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-28 09:00:15.346391
Title: Bridging Language Gaps with Adaptive RAG: Improving Indonesian Language Question Answering
Title（参考訳）: Adaptive RAGによる言語ギャップのブリッジ: インドネシア語質問回答の改善
Authors: William Christian, Daniel Adamlu, Adrian Yu, Derwin Suhartono,
Abstract要約: インドネシア語に適応RAGシステムを組み込むことで,言語ギャップを埋める努力を行った。インドネシア語データセットの可用性の限界を克服するため,本研究では,機械翻訳をデータ拡張手法として採用した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Question Answering (QA) has seen significant improvements with the advancement of machine learning models, further studies enhanced this question answering system by retrieving external information, called Retrieval-Augmented Generation (RAG) to produce more accurate and informative answers. However, these state-of-the-art-performance is predominantly in English language. To address this gap we made an effort of bridging language gaps by incorporating Adaptive RAG system to Indonesian language. Adaptive RAG system integrates a classifier whose task is to distinguish the question complexity, which in turn determines the strategy for answering the question. To overcome the limited availability of Indonesian language dataset, our study employs machine translation as data augmentation approach. Experiments show reliable question complexity classifier; however, we observed significant inconsistencies in multi-retrieval answering strategy which negatively impacted the overall evaluation when this strategy was applied. These findings highlight both the promise and challenges of question answering in low-resource language suggesting directions for future improvement.
Abstract（参考訳）: 質問回答(QA)は、機械学習モデルの進歩とともに大幅に改善され、さらなる研究は、より正確で情報的な回答を生み出すために、検索型拡張生成(RAG)と呼ばれる外部情報を取得することにより、この質問応答システムを強化した。しかし、これらの最先端の演奏は主に英語で行われている。このギャップに対処するため、インドネシア語にAdaptive RAGシステムを組み込むことで、言語ギャップを埋めることに取り組みました。アダプティブRAGシステムは、質問複雑性を識別するタスクを持つ分類器を統合し、その結果、質問に答える戦略を決定する。インドネシア語データセットの可用性の限界を克服するため,本研究では,機械翻訳をデータ拡張手法として採用した。実験の結果、信頼性の高い質問複雑性分類器が得られたが、この戦略を適用したときの総合評価に悪影響を及ぼすような、複数検索の解答戦略における大きな矛盾が見られた。これらの結果は、低リソース言語における質問応答の約束と課題の両方が、今後の改善の方向性を示唆している。

関連論文リスト

Enhancing Admission Inquiry Responses with Fine-Tuned Models and Retrieval-Augmented Generation [0.0]
本稿では、微調整言語モデルとRetrieval-Augmented Generation(RAG)を組み合わせたAIシステムを提案する。 RAGは、大規模なデータセットから関連する情報を取得するが、大学入試のような狭い複雑な領域のパフォーマンスは、適応なしに制限することができる。我々は、入力プロセスに特有のキュレートされたデータセット上でモデルを微調整し、RAGが提供するデータを正確に解釈し、ドメイン関連出力を生成する能力を向上した。
論文参考訳（メタデータ） (2025-12-07T18:14:16Z)
ReAG: Reasoning-Augmented Generation for Knowledge-based Visual Question Answering [54.72902502486611]
ReAG(Reasoning-Augmented Multimodal RAG)は、粗い部分ときめ細かい部分の検索と、無関係な通路をフィルタリングする批評家モデルを組み合わせた手法である。 ReAGは従来の手法よりも優れており、解答精度が向上し、検索された証拠に根ざした解釈可能な推論を提供する。
論文参考訳（メタデータ） (2025-11-27T19:01:02Z)
From Ambiguity to Accuracy: The Transformative Effect of Coreference Resolution on Retrieval-Augmented Generation systems [6.762635083456022]
RAGに基づくシステムにおいて,エンティティコアが文書検索と生成性能にどのように影響するかを検討する。コア参照の解決により検索効率が向上し,質問応答性能(QA)が向上することが実証された。本研究の目的は、知識集約型AIアプリケーションにおける検索と生成を改善するためのガイダンスを提供することである。
論文参考訳（メタデータ） (2025-07-10T15:26:59Z)
Improving Multilingual Retrieval-Augmented Language Models through Dialectic Reasoning Argumentations [65.11348389219887]
そこで,Dialectic-RAG(Dialectic-RAG, DRAG)を提案する。我々は、文脈内学習戦略と、より小さなモデルをインストラクションするための実演の構築の両方において、我々のフレームワークが与える影響を示す。
論文参考訳（メタデータ） (2025-04-07T06:55:15Z)
Multilingual Retrieval-Augmented Generation for Knowledge-Intensive Task [89.45111250272559]
Retrieval-augmented Generation (RAG) は現代のNLPの基盤となっている。本稿では,複数言語にまたがるRAGの有効性について,複数言語にまたがるオープンドメイン問合せに対する新しいアプローチを提案する。
論文参考訳（メタデータ） (2025-04-04T17:35:43Z)
Investigating Language Preference of Multilingual RAG Systems [4.438698005789677]
MRAGシステムは、クエリとドキュメント間の言語的バリエーションによって、関連する情報を取得するのに苦労する。 DKM-RAG(Dual Knowledge Multilingual RAG)は,翻訳された多言語パスを相補的なモデル知識で融合するフレームワークである。実験結果から,DKM-RAGは言語嗜好を緩和し,多様な言語環境における性能向上を図っている。
論文参考訳（メタデータ） (2025-02-16T15:54:05Z)
Unanswerability Evaluation for Retrieval Augmented Generation [74.3022365715597]
UAEval4RAGは、RAGシステムが解答不能なクエリを効果的に処理できるかどうかを評価するために設計されたフレームワークである。我々は、6つの未解決カテゴリを持つ分類を定義し、UAEval4RAGは、多様で挑戦的なクエリを自動的に合成する。
論文参考訳（メタデータ） (2024-12-16T19:11:55Z)
Enhancing Robustness of Retrieval-Augmented Language Models with In-Context Learning [5.053086684547045]
本研究では、ALMの推論能力を高めるために、文脈内学習に基づくアプローチを導入する。我々のアプローチは、追加の微調整を必要とせずに、解決不可能なシナリオと矛盾するシナリオを特定する精度を高める。
論文参考訳（メタデータ） (2024-08-08T12:42:43Z)
Boosting Conversational Question Answering with Fine-Grained Retrieval-Augmentation and Self-Check [25.63538452425097]
本稿では,対話型質問応答のための細粒度検索と自己チェックを組み込んだ対話レベルのRAG手法を提案する。特に,本手法は,対話型質問精算器,きめ細かい検索器,自己チェックに基づく応答生成器の3つのコンポーネントから構成される。
論文参考訳（メタデータ） (2024-03-27T04:20:18Z)
PICK: Polished & Informed Candidate Scoring for Knowledge-Grounded Dialogue Systems [59.1250765143521]
現在の知識接地対話システムは、生成された応答を人間に好まれる品質に合わせるのに失敗することが多い。我々は,世代別再描画フレームワークであるPolseed & Informed Candidate Scoring (PICK)を提案する。対話履歴に関連性を維持しつつ,より忠実な応答を生成するためのPICKの有効性を示す。
論文参考訳（メタデータ） (2023-09-19T08:27:09Z)
Better Retrieval May Not Lead to Better Question Answering [59.1892787017522]
システムの性能を改善するための一般的なアプローチは、取得したコンテキストの品質をIRステージから改善することである。マルチホップ推論を必要とするオープンドメインのQAデータセットであるStrategyQAでは、この一般的なアプローチは驚くほど非効率である。
論文参考訳（メタデータ） (2022-05-07T16:59:38Z)

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。