論文の概要: DeepSpecs: Expert-Level Questions Answering in 5G
- arxiv url: http://arxiv.org/abs/2511.01305v1
- Date: Mon, 03 Nov 2025 07:39:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-05 16:37:27.162544
- Title: DeepSpecs: Expert-Level Questions Answering in 5G
- Title（参考訳）: DeepSpecs: 5Gで答えるエキスパートレベルの質問
- Authors: Aman Ganapathy Manvattira, Yifei Xu, Ziyue Dang, Songwu Lu,
- Abstract要約: 5G技術は、数十億のユーザのためのモバイルインターネットアクセスを可能にする。専門家レベルの5G仕様に関する質問に答えるには、リリース全体で進化する何千ページものクロスリファレンス標準をナビゲートする必要がある。
既存の検索強化世代(RAG)フレームワークはセマンティックな類似性に依存しており、仕様の進化に関する相互参照や理由を確実に解決できない。
本稿では,3つのメタデータに富んだデータベースによる構造的および時間的推論により拡張されたRAGシステムであるDeepSpecsを提案する。
- 参考スコア（独自算出の注目度）: 7.134473171239033
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 5G technology enables mobile Internet access for billions of users. Answering expert-level questions about 5G specifications requires navigating thousands of pages of cross-referenced standards that evolve across releases. Existing retrieval-augmented generation (RAG) frameworks, including telecom-specific approaches, rely on semantic similarity and cannot reliably resolve cross-references or reason about specification evolution. We present DeepSpecs, a RAG system enhanced by structural and temporal reasoning via three metadata-rich databases: SpecDB (clause-aligned specification text), ChangeDB (line-level version diffs), and TDocDB (standardization meeting documents). DeepSpecs explicitly resolves cross-references by recursively retrieving referenced clauses through metadata lookup, and traces specification evolution by mining changes and linking them to Change Requests that document design rationale. We curate two 5G QA datasets: 573 expert-annotated real-world questions from practitioner forums and educational resources, and 350 evolution-focused questions derived from approved Change Requests. Across multiple LLM backends, DeepSpecs outperforms base models and state-of-the-art telecom RAG systems; ablations confirm that explicit cross-reference resolution and evolution-aware retrieval substantially improve answer quality, underscoring the value of modeling the structural and temporal properties of 5G standards.
- Abstract（参考訳）: 5G技術は、数十億のユーザーのためのモバイルインターネットアクセスを可能にする。
5G仕様に関する専門家レベルの質問に答えるには、リリース全体で進化する何千ページものクロスリファレンス標準をナビゲートする必要がある。
既存の検索強化世代(RAG)フレームワークは、テレコム固有のアプローチを含む、セマンティックな類似性に依存しており、仕様の進化に関する相互参照や推論を確実に解決できない。
本稿では,3つのメタデータに富んだデータベース,SpecDB(クロース整合仕様テキスト),ChangeDB(ラインレベルバージョン差分),TDocDB(標準化会議文書)を通じて,構造的および時間的推論によって強化されたRAGシステムについて述べる。
DeepSpecsはメタデータのルックアップを通じて参照された節を再帰的に検索することで、相互参照を明示的に解決し、変更をマイニングし、設計の合理性を文書化するChange Requestsにリンクすることで仕様の進化をトレースする。
5G QAデータセットは、実践者フォーラムや教育リソースから573人の専門家による実際の質問と、承認された変更要求から派生した350の進化に焦点を当てた質問である。
複数のLLMバックエンドにおいて、DeepSpecsはベースモデルと最先端の通信RAGシステムより優れており、明示的な相互参照解決と進化認識検索が解答品質を大幅に改善し、5G標準の構造的および時間的特性をモデル化する価値が強調されている。
関連論文リスト
- Domain-Specific Data Generation Framework for RAG Adaptation [58.20906914537952]
Retrieval-Augmented Generation (RAG)は、大規模言語モデルの言語理解と推論能力と外部検索を組み合わせ、ドメイン基底応答を可能にする。
本稿では,様々なRAG適応手法に合わせて,ドメイン基底型質問応答コンテキスト(QAC)トリプルを生成するフレームワークであるRAGenを提案する。
論文 参考訳（メタデータ） (2025-10-13T09:59:49Z) - VersionRAG: Version-Aware Retrieval-Augmented Generation for Evolving Documents [2.657536539253924]
既存のアプローチは、バージョンに敏感な質問に対して58～64%の精度しか達成していない。
文書の進化を明示的にモデル化するバージョン対応RAGフレームワークであるVersionRAGを紹介します。
検索中、VersionRAGはインテント分類に基づいて、クエリを特定のパスにルーティングする。
論文 参考訳（メタデータ） (2025-10-09T11:48:58Z) - DeepSieve: Information Sieving via LLM-as-a-Knowledge-Router [57.28685457991806]
DeepSieveはエージェントRAGフレームワークで、LLM-as-a-knowledge-routerを介して情報を収集する。
我々の設計はモジュール性、透明性、適応性を重視しており、エージェントシステム設計の最近の進歩を活用している。
論文 参考訳（メタデータ） (2025-07-29T17:55:23Z) - Improving Scientific Document Retrieval with Concept Coverage-based Query Set Generation [49.29180578078616]
概念カバレッジに基づくクエリセット生成(CCQGen)フレームワークは、ドキュメントの概念を包括的に網羅したクエリセットを生成するように設計されている。
従来のクエリでは十分にカバーされていない概念を識別し,その後のクエリ生成の条件として活用する。
このアプローチは、それぞれの新しいクエリをガイドして、以前のクエリを補完し、ドキュメントの徹底的な理解を支援する。
論文 参考訳（メタデータ） (2025-02-16T15:59:50Z) - QuIM-RAG: Advancing Retrieval-Augmented Generation with Inverted Question Matching for Enhanced QA Performance [1.433758865948252]
本研究では,RAG(Retrieval-Augmented Generation)システム構築のための新しいアーキテクチャを提案する。
RAGアーキテクチャは、ターゲット文書から応答を生成するために構築される。
本稿では,本システムにおける検索機構の新しいアプローチQuIM-RAGを紹介する。
論文 参考訳（メタデータ） (2025-01-06T01:07:59Z) - Discourse Features Enhance Detection of Document-Level Machine-Generated Content [53.41994768824785]
機械生成コンテンツは、学術プラジャリズムや誤報の拡散といった課題を提起する。
既存のMGC検出器は、しばしば表面レベルの情報のみに焦点を当て、暗黙的かつ構造的な特徴を見渡す。
これらの課題を克服するために、新しい方法論とデータセットを導入します。
論文 参考訳（メタデータ） (2024-12-17T08:47:41Z) - Hierarchical Retrieval-Augmented Generation Model with Rethink for Multi-hop Question Answering [24.71247954169364]
マルチホップ質問回答 (Multi-hop Question Answering, QA) は、複雑な質問を解決するために複数の情報を統合することで複雑な推論を必要とする。
既存のQAシステムは、時代遅れの情報、コンテキストウィンドウの長さ制限、精度-量トレードオフといった課題に直面する。
本稿では,Decomposer,Definer,Retriever,Filter,Summarizerの5つのキーモジュールからなる,階層型検索拡張生成モデル(HiRAG)を提案する。
論文 参考訳（メタデータ） (2024-08-20T09:29:31Z) - Thread: A Logic-Based Data Organization Paradigm for How-To Question Answering with Retrieval Augmented Generation [65.45017060706266]
ハウツー質問は意思決定に不可欠であり、動的でステップバイステップのレスポンスを必要とする。
我々は,ハウツー質問をより効果的に処理できる新しいデータ組織パラダイムThreadを提案する。
具体的には、「論理単位」(LU)という新たな知識を導入し、大きな言語モデルによって文書をより構造化され、疎結合なLUに変換する。
論文 参考訳（メタデータ） (2024-06-19T09:14:41Z)
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。